[論文レビュー] Shape-Driven Interpolation with Discontinuous Kernels: Error Analysis, Edge Extraction and Applications in MPI

Stefano De Marchı, Wolfgang Erb+3 more|arXiv (Cornell University)|Mar 7, 2019

Advanced Numerical Analysis Techniques参考文献 31被引用数 6

ひとこと要約

本稿では、散乱データ内の既知または推定されたエッジに適応する可変スケール不連続カーネル（VSDK）を用いた形状駆動型径数基底関数（RBF）補間法を提案する。この手法により、ギブス効果が顕著に低減される。エッジ情報を機械学習ベースのセグメンテーションアルゴリズムを介して統合し、ネイティブ空間を区分的ソボレフ空間として分析することで、特に磁気粒子イメージング（MPI）のような医療画像応用において、標準的なRBF補間よりも優れた収束速度が達成される。

ABSTRACT

Accurate interpolation and approximation techniques for functions with discontinuities are key tools in many applications as, for instance, medical imaging. In this paper, we study an RBF type method for scattered data interpolation that incorporates discontinuities via a variable scaling function. For the construction of the discontinuous basis of kernel functions, information on the edges of the interpolated function is necessary. We characterize the native space spanned by these kernel functions and study error bounds in terms of the fill distance of the node set. To extract the location of the discontinuities, we use a segmentation method based on a classification algorithm from machine learning. The conducted numerical experiments confirm the theoretically derived convergence rates in case that the discontinuities are a priori known. Further, an application to interpolation in magnetic particle imaging shows that the presented method is very promising.

研究の動機と目的

• 不連続関数のRBF補間におけるギブス現象の課題に取り組むこと、特に鋭いエッジが一般的な医療画像分野において。
• メッシュフリーな補間フレームワークを構築し、変動スケーリング関数を介して不連続性をカーネル基底に直接組み込むこと。
• 得られたVSDKカーネルのネイティブ空間を区分的ソボレフ空間として特徴づけ、理論的誤差解析を可能にすること。
• データが疎でエッジの忠実度が重要な応用分野（例：磁気粒子イメージング（MPI））において、正確な補間を可能にすること。
• 事前に既知でない不連続性の位置を推定するために、カーネルマシンを用いた頑健なエッジ検出パイプラインを提供すること。

提案手法

• データに依存するスケーリング関数 $ \psi $ を用いて、基本カーネル $ K $ を変更することで、可変スケール不連続カーネル（VSDK）を構築する。この関数 $ \psi $ はエッジの位置を符号化する。
• 散乱データから不連続性の位置を推定するために、機械学習ベースの分類アルゴリズム（カーネルマシン）を用い、エッジに敏感な補間を実現する。
• VSDKによって定義されるネイティブ空間におけるコロケーション問題として補間を定式化し、埋め込み距離を用いて理論的収束バウンドを導出する。
• しきい値処理またはk-meansクラスタリングを用いたセグメンテーション戦略を適用し、エッジで分離された異なる領域に属するデータポイントをラベル付ける。
• 数値実験では、滑らかさと安定性を保ちつつエッジの鋭さを維持するため、$ C^0 $-マテルンカーネルを用いる。
• Lissajousノード上での粒子密度の補間を通じてMPI再構成にVSDK法を統合し、標準的な多項式補間を置き換える。

実験結果

リサーチクエスチョン

• RQ1 不連続関数を再構築する際、ギブス効果を回避するようにRBF補間をどのように修正できるか？
• RQ2 VSDKカーネル系のネイティブ空間構造は何か？ そして、収束速度にどのように影響するか？
• RQ3 事前に知識が得られない状況下で、機械学習ベースのセグメンテーションが散乱データから不連続性の位置を信頼性高く推定できるか？
• RQ4 埋め込み距離を用いて、VSDK補間の理論的収束速度はどのように保証できるか？
• RQ5 標準的な多項式補間やRBF補間と比較して、VSDK法はMPIなどの実用的応用分野でどの程度の性能を示すか？

主な発見

• 基本カーネル $ K $ がフーリエ領域で代数的減衰を示す場合、VSDKカーネルのネイティブ空間は区分的ソボレフ空間として特徴づけられる。
• 理論的誤差バウンドは、VSDK補間が標準的なRBF補間よりも著しく速い収束速度を示すことを示しており、特にカーネル $ K $ が解析的である場合に顕著である。
• 数値実験では、不連続性が事前に既知である場合に予測された収束速度が確認され、理論的分析の妥当性が裏付けられた。
• MPI再構成において、VSDK法はLissajousノード上での多項式補間に見られるリバーブアーチファクトを効果的に抑制した。
• しきい値処理またはk-meansを用いたカーネルマシンによるエッジ検出は、手動ラベル付けによる結果に近い高品質な補間を実現した。
• VSDK法は再構築画像におけるエッジの鋭さを保持しており、高精度な医療画像再構成への潜在的応用が示された。