[論文レビュー] Separable Dictionary Learning with Global Optimality and Applications to Diffusion MRI.

Evan Schwab, Benjamin D. Haeffele+2 more|arXiv (Cornell University)|Jul 15, 2018

Sparse and Compressive Sensing Techniques被引用数 2

ひとこと要約

本稿では、拡散MRIにおける空間的および方位的辞書を同時に学習する、全般的に最適な分離可能辞書学習フレームワークを提案する。局所的勾配降下と全般的最適性の証明を交互に用いることで、信号のテンソル構造を活用しながら、全般的に最適な解への収束を保証する。この手法は、フィズィカルなphantomデータおよび実際のdMRIデータにおいて、最先端のノイズ除去性能を達成する。

ABSTRACT

Sparse dictionary learning is a popular method for representing signals as linear combinations of a few elements from a dictionary that is learned from the data. In the classical setting, signals are represented as vectors and the dictionary learning problem is posed as a matrix factorization problem where the data matrix is approximately factorized into a dictionary matrix and a sparse matrix of coefficients. However, in many applications in computer vision and medical imaging, signals are better represented as matrices or tensors (e.g. images or videos), where it may be beneficial to exploit the multi-dimensional structure of the data to learn a more compact representation. One such approach is separable dictionary learning, where one learns separate dictionaries for different dimensions of the data. However, typical formulations involve solving a non-convex optimization problem; thus guaranteeing global optimality remains a challenge. In this work, we propose a framework that builds upon recent developments in matrix factorization to provide theoretical and numerical guarantees of global optimality for separable dictionary learning. We propose an algorithm to find such a globally optimal solution, which alternates between following local descent steps and checking a certificate for global optimality. We illustrate our approach on diffusion magnetic resonance imaging (dMRI) data, a medical imaging modality that measures water diffusion along multiple angular directions in every voxel of an MRI volume. State-of-the-art methods in dMRI either learn dictionaries only for the angular domain of the signals or in some cases learn spatial and angular dictionaries independently. In this work, we apply the proposed separable dictionary learning framework to learn spatial and angular dMRI dictionaries jointly and provide preliminary validation on denoising phantom and real dMRI brain data.

研究の動機と目的

• 多変数信号における既存の分離可能辞書学習手法に、全般的最適性の保証が欠けているという問題に対処すること。
• 拡散MRIにおける空間的および方位的辞書を同時に学習するフレームワークを開発し、信号のテンソル構造を保持すること。
• 非凸的分離可能辞書学習問題における全般的最適性の理論的および数値的保証を提供すること。
• 構造的で多次元的な信号表現を活用することで、拡散MRIにおけるノイズ除去性能を向上させること。
• 本手法の実用的有効性を、合成phantomデータおよび実際の脳dMRIスキャンの両方で示すこと。

提案手法

• 本手法は、空間的および方位的次元のための別個の辞書を備えた行列因子分解問題として、分離可能辞書学習を定式化する。
• 係数および辞書変数の両方に対して、局所的勾配降下ステップを交互に繰り返す最適化スキームを採用する。
• 主なイノベーションは、各反復で全般的最適性を検証する証明ベースのチェックを統合することにある。
• 局所的最適化と全般的最適性の検証を組み合わせることで、アルゴリズムは全般的に最適な解への収束を保証する。
• dMRIデータへの適用では、各ボクセルの拡散信号を空間的および方位的成分を持つテンソルとしてモデル化する。
• 本手法は空間的および方位的辞書を同時に学習し、全dMRI信号のコンactかつ構造的な表現を可能にする。

実験結果

リサーチクエスチョン

• RQ1 多変数信号（例：dMRIデータ）における分離可能辞書学習で、全般的最適性を達成できるか？
• RQ2 dMRIノイズ除去において、空間的および方位的辞書の共同学習は、独立的または逐次的学習と比較してどのように異なるか？
• RQ3 dMRI信号のテンソル構造を保持することで、表現のコンパクト性およびノイズ除去性能にどのような影響を与えるか？
• RQ4 非凸的設定において、提案された証明機構は、全般的最適性を信頼性高く検証できるか？
• RQ5 最先端の手法と比較して、本手法はphantomデータおよび実際のdMRIデータの両方でノイズ除去精度を向上させるか？

主な発見

• 本手法は、局所的勾配降下と証明ベースの検証ステップを組み合わせることで、分離可能辞書学習における全般的最適性を達成する。
• 本フレームワークは、dMRIにおける空間的および方位的辞書の共同学習を可能にし、独立した学習よりも多次元信号構造をより効果的に捉える。
• phantom dMRIデータでは、最先端の技術と比較して優れたノイズ除去性能を示す。
• 実際のdMRI脳データでは、再構成品質の向上とノイズ抑制が確認され、実用的有効性が裏付けられる。
• 全般的最適性の証明により、非凸最適化における部分的最適解のリスクを低減する信頼性のある収束チェックが可能になる。
• 結果から、dMRI信号のテンソル構造を分離可能辞書を用いて活用することで、表現のコンパクト性およびノイズ除去精度の向上が確認された。