[论文解读] Laplace deconvolution and its application to Dynamic Contrast Enhanced imaging

Fabienne Comte, C.A. Cuénod+2 more|Jul 10, 2012

Numerical methods in inverse problems参考文献 32被引用 11

一句话总结

本文提出了一种新颖的拉普拉斯去卷积方法，利用拉盖尔基展开来估计动态对比增强（DCE）医学成像中的组织残留函数。该方法将卷积问题转化为三角托普利茨线性系统，通过复杂度惩罚的模型选择实现快速计算，风险控制在与Oracle风险相差一个对数因子以内，且在模拟实验中优于现有方法。

ABSTRACT

In the present paper we consider the problem of Laplace deconvolution with noisy discrete observations. The study is motivated by Dynamic Contrast Enhanced imaging using a bolus of contrast agent, a procedure which allows considerable improvement in {evaluating} the quality of a vascular network and its permeability and is widely used in medical assessment of brain flows or cancerous tumors. Although the study is motivated by medical imaging application, we obtain a solution of a general problem of Laplace deconvolution based on noisy data which appears in many different contexts. We propose a new method for Laplace deconvolution which is based on expansions of the convolution kernel, the unknown function and the observed signal over Laguerre functions basis. The expansion results in a small system of linear equations with the matrix of the system being triangular and Toeplitz. The number $m$ of the terms in the expansion of the estimator is controlled via complexity penalty. The advantage of this methodology is that it leads to very fast computations, does not require exact knowledge of the kernel and produces no boundary effects due to extension at zero and cut-off at $T$. The technique leads to an estimator with the risk within a logarithmic factor of $m$ of the oracle risk under no assumptions on the model and within a constant factor of the oracle risk under mild assumptions. The methodology is illustrated by a finite sample simulation study which includes an example of the kernel obtained in the real life DCE experiments. Simulations confirm that the proposed technique is fast, efficient, accurate, usable from a practical point of view and competitive.

研究动机与目标

• 开发一种适用于噪声干扰、离散观测的快速且鲁棒的拉普拉斯去卷积方法，其动机源于动态对比增强（DCE）医学成像。
• 从噪声干扰的DCE-MRI/CT数据中估计组织残留函数 f(t) = β(1 − F(t))，其中 F 是对比剂在组织中停留时间的分布函数。
• 通过使用复杂度惩罚的模型选择，结合拉盖尔函数展开，避免边界效应并降低计算成本。
• 在一般条件下，实现理论风险界在Oracle风险的对数因子以内；在较弱假设下，风险在常数因子以内，表现出良好的理论性能。

提出的方法

• 将未知函数 f、卷积核 g 和观测信号 y 在有限维拉盖尔基上展开，将问题转化为线性系统。
• 利用拉盖尔函数的正交性与递推性质所导出的三角托普利茨矩阵结构，通过前向代入法实现快速求解。
• 应用复杂度惩罚以选择最优截断阶数 m，平衡估计器中的偏差与方差。
• 采用随机矩阵框架推导噪声分量的集中不等式，确保估计的稳定性和风险控制。
• 利用与生成函数 (1−z)−r 相关的托普利茨算子的Frobenius范数，控制估计误差。
• 通过控制涉及噪声与设计矩阵的二次型的上确界，推导出非渐近风险界，实现类似Oracle的性能。

实验结果

研究问题

• RQ1 能否在不依赖核函数精确知识的前提下，为噪声干扰、离散的DCE-MRI/CT数据开发一种快速且稳定的拉普拉斯去卷积方法？
• RQ2 在拉普拉斯卷积背景下，如何缓解传统去卷积方法中因截断和边界扩展在零点与T点处引起的边界效应与计算低效问题？
• RQ3 基于拉盖尔的估计器在采用复杂度惩罚模型选择时，其理论风险性能如何？
• RQ4 在有限样本下，所提出的方法在多大程度上实现了近Oracle风险性能？

主要发现

• 在无任何模型假设下，所提方法的风险控制在Oracle风险的对数因子以内，确保在多种数据配置下的鲁棒性。
• 在较弱正则性假设下，风险在常数因子以内，展现出强大的理论性能。
• 由于三角托普利茨结构的存在，该方法计算高效，可在基展开后通过前向代入法快速求解。
• 模拟实验验证了该方法在有限样本下的准确性、稳定性与竞争力，包括使用真实DCE-CT核函数的情形。
• 由于拉盖尔函数的自然衰减特性，该方法避免了在零点与T点处因截断和外推引起的边界效应。
• 通过复杂度惩罚选择截断阶数 m，实现了偏差与方差的最优平衡，且对所得风险具有理论保证。