[論文レビュー] Spatial statistics, image analysis and percolation theory

Mikhail Langovoy, Michael Habeck+1 more|arXiv (Cornell University)|Oct 31, 2013

Advanced Electron Microscopy Techniques and Applications参考文献 7被引用数 6

ひとこと要約

本稿では、パラメトリックな仮定なしに背景および信号レベルを一貫して推定できる空間スキャン推定量を用いて、ノイズの多い画像内に未知の形状・強度を有する複数のオブジェクトを検出する、パーコレーションに基づく手法を提案する。この手法により、低SNRおよび重尾ノイズ下でも、クロイオ・エレクトロン・ミクロスコピーにおける頑健なパーティクルピッキングが、高い精度で実現可能となる。

ABSTRACT

We develop a novel method for detection of signals and reconstruction of images in the presence of random noise. The method uses results from percolation theory. We specifically address the problem of detection of multiple objects of unknown shapes in the case of nonparametric noise. The noise density is unknown and can be heavy-tailed. The objects of interest have unknown varying intensities. No boundary shape constraints are imposed on the objects, only a set of weak bulk conditions is required. We view the object detection problem as a multiple hypothesis testing for discrete statistical inverse problems. We present an algorithm that allows to detect greyscale objects of various shapes in noisy images. We prove results on consistency and algorithmic complexity of our procedures. Applications to cryo-electron microscopy are presented.

研究の動機と目的

• ノンパラメトリックで重尾なノイズを伴う2次元画像において、形状・強度が未知の複数のオブジェクトを検出する課題に対処する。
• オブジェクトの位置や形状が未知である状況下で、背景強度 $ a $、信号強度 $ b $、ノイズ分散 $ \sigma^2 $ の一貫した推定手法を開発する。
• 低SNRおよび不規則な粒子形状を有するクロイオ-EMの顕微鏡画像において、パーティクルの信頼性の高い検出を可能にする。
• 弱い構造的仮定の下で、離散的逆問題としての検出問題を、複数の仮説検定フレームワークとして定式化する。
• 空間スキャン推定量とパーコレーション解析を用いて、アルゴリズムの一貫性と計算上的実行可能性を確保する。

提案手法

• 空間スキャン推定量を用いて、粒子の汚染が最小限の $ \varphi_0(N) \times \varphi_0(N) $ の部分正方形を特定し、背景強度 $ a $ の一貫した推定を保証する。
• 背景レベルの推定に $ \widehat{a} = \varphi_0(N)^{-2} \sum_{v \in \widehat{K}} Y_v $ を用い、ここで $ \widehat{K} $ は合計が最小となる部分正方形を表す。
• 空間スキャンによる $ a $ および $ b $ の推定量から得られる $ \theta = (a + b)/2 $ を用いたしきい値処理を実施し、ノイズから潜在的なパーティクルを分離する。
• パーコレーション理論を用いて、しきい値処理後の画像における連結した黒色クラスタを検出することで、実際のパーティクルを含む領域を同定する。
• 小規模なクラスタ（例：30ピクセル未満）をフィルタリングして誤検出を低減し、有意な連結成分のみをパーティクル候補として保持する。
• 大きな孤立したノイズパッチはまれであり、背景推定のための一貫した基準点として利用可能であるという事実を活用する。

実験結果

リサーチクエスチョン

• RQ1 オブジェクトの形状・サイズ・位置に関する事前知識が欠如する状況でも、背景および信号強度の一貫した推定が可能か？
• RQ2 未知のノイズ分布下で、複数オブジェクト検出をノンパラメトリックな複数仮説検定問題としてどのように定式化できるか？
• RQ3 弱いバルク条件の下で、画像サイズが増加するに従い、すべてのパーティクルを検出する速度の収束率はいかほどか？
• RQ4 低SNR画像において、パーコレーション理論を用いて真のパーティクルクラスタとランダムなノイズクラスタを効果的に区別できるか？
• RQ5 本手法は、複雑で非凸的な粒子形状と重尾ノイズを有する実際のクロイオ-EM顕微鏡画像において、どのように性能を発揮するか？

主な発見

• 粒子の汚染が無視できる程度の $ \varphi_0(N) \times \varphi_0(N) $ の部分正方形に空間スキャン推定量 $ \widehat{a} $ を適用した場合、背景強度 $ a $ に対して一貫性が保証される。
• ダウンサンプリングおよび正規化を経た2400×2400のクロイオ-EM顕微鏡画像において、本手法は $ a = 0.319 $、$ b = 0.453 $、$ \theta = 0.386 $ を一貫して推定した。
• 任意のパーティクルの見逃し確率は $ \varphi_1(N) $ に関して指数関数的に減少し、上界として $ \pi(N) \ln 2 - C_1 \varphi_1(N) $ を含む。これにより $ N \to \infty $ の下で高い検出確率が保証される。
• 誤検出率は、純粋なノイズにおけるサイズが少なくとも $ \varphi_1(N) $ のパーコレーションクラスタが発生する確率によって上限が定まるが、これは既知の通り急速に減少する。
• 30ピクセル未満のクラスタをフィルタリングした後、本手法は図1に示すように、クロイオ-EM顕微鏡画像においてパーティクル候補を効果的に分離した。
• 本アルゴリズムは重尾ノイズに対して頑健であり、ノイズ分布のパラメトリックな仮定や粒子の形状制約を必要としない。