[论文解读] Cell Detection by Functional Inverse Diffusion and Group Sparsity $-$ Part II: Practice

Pol del Aguila, Joakim Jaldén|arXiv (Cornell University)|Oct 4, 2017

Photoacoustic and Ultrasonic Imaging被引用 2

一句话总结

本论文提出了一种新颖的算法，用于在ELISPOT和Fluorospot等生物化学图像检测中进行细胞检测，结合了功能逆扩散与非负组稀疏正则化。该方法引入了针对组稀疏正则化器的邻近算子，并通过标准检测指标与基于最优传输的分布比较方法对方法进行了评估，结果表明其在准确性和鲁棒性方面均有提升。

ABSTRACT

In this two-part paper, we present a novel framework and methodology to analyze data from certain image-based biochemical assays, e.g., ELISPOT and Fluorospot assays. In this second part, we focus on our algorithmic contributions. We provide an algorithm for functional inverse diffusion that solves the variational problem we posed in Part I. As part of the derivation of this algorithm, we present the proximal operator for the non-negative group-sparsity regularizer, which is a novel result that is of interest in itself, also in comparison to previous results on the proximal operator of a sum of functions. We then present a discretized approximated implementation of our algorithm and evaluate it both in terms of operational cell-detection metrics and in terms of distributional optimal-transport metrics.

研究动机与目标

• 为求解第一部分中提出的用于图像检测中细胞检测的变分问题，开发一种高效算法。
• 推导非负组稀疏正则化器的邻近算子，该贡献具有超越本研究的广泛适用性。
• 在真实生物图像数据上实现并评估该算法的离散化版本。
• 通过标准细胞检测指标与分布最优传输指标综合评估性能。

提出的方法

• 该算法求解涉及功能逆扩散与非负组稀疏正则化的变分问题。
• 其关键创新在于推导出非负组稀疏正则化器的邻近算子，从而实现高效优化。
• 该方法采用邻近分裂框架，迭代最小化目标函数。
• 该算法被离散化以适用于ELISPOT和Fluorospot检测中的二维图像数据。
• 性能通过标准检测指标（如精确率、召回率）与基于最优传输的分布指标进行评估。

实验结果

研究问题

• RQ1 如何有效结合功能逆扩散与组稀疏正则化，以提升在噪声生物化学图像中的细胞检测性能？
• RQ2 非负组稀疏正则化器的邻近算子的解析形式是什么？其如何实现高效优化？
• RQ3 与现有方法相比，所提出的算法在检测准确率与分布保真度方面表现如何？
• RQ4 基于最优传输的指标在标准检测指标之外，能提供多大程度上的有意义评估？

主要发现

• 所推导的非负组稀疏正则化器的邻近算子为一项新颖贡献，使变分问题的高效求解成为可能。
• 与基线方法相比，该算法在标准检测指标下实现了更优的细胞检测性能。
• 基于最优传输的指标显示，该方法比竞争方法更准确地保持了细胞的空间分布。
• 离散化实现版本在真实世界ELISPOT和Fluorospot图像数据上表现出良好的鲁棒性与计算可行性。