[论文解读] Local Region Sparse Learning for Image-on-Scalar Regression

Yao Chen, Xiao Wang+2 more|arXiv (Cornell University)|May 27, 2016

Sparse and Compressive Sensing Techniques参考文献 14被引用 5

一句话总结

本文提出SCAD2TV，一种新颖的非凸惩罚方法，结合SCAD与总变差（TV）正则化，以在图像-标量回归中同时实现稀疏性和空间连续性，从而准确识别医学图像中的连续活跃区域。该方法采用ADMM和分而治之策略实现高效计算，在海马体MRI数据上的区域感兴趣（ROI）检测与预测精度优于GraphNet和TV-ℓ₁。

ABSTRACT

Identification of regions of interest (ROI) associated with certain disease has a great impact on public health. Imposing sparsity of pixel values and extracting active regions simultaneously greatly complicate the image analysis. We address these challenges by introducing a novel region-selection penalty in the framework of image-on-scalar regression. Our penalty combines the Smoothly Clipped Absolute Deviation (SCAD) regularization, enforcing sparsity, and the SCAD of total variation (TV) regularization, enforcing spatial contiguity, into one group, which segments contiguous spatial regions against zero-valued background. Efficient algorithm is based on the alternative direction method of multipliers (ADMM) which decomposes the non-convex problem into two iterative optimization problems with explicit solutions. Another virtue of the proposed method is that a divide and conquer learning algorithm is developed, thereby allowing scaling to large images. Several examples are presented and the experimental results are compared with other state-of-the-art approaches.

研究动机与目标

• 解决在医学图像中同时识别与标量预测因子（如疾病状态）相关的稀疏、连续区域感兴趣（ROI）的挑战。
• 克服Lasso和TV正则化方法在图像分析中固有的偏差与不稳定性。
• 通过利用ADMM和分而治之学习策略，开发一种高效、可扩展的算法以处理大规模图像数据。
• 提升神经影像学研究中的ROI检测准确率与预测性能，特别是在阿尔茨海默病风险预测方面。

提出的方法

• 提出一种新惩罚项SCAD2TV，在统一框架中结合SCAD正则化以实现稀疏性，以及SCAD的总变差（TV）正则化以实现空间连续性。
• 使用增广拉格朗日乘子法（ADMM）将非凸优化问题分解为两个具有显式解的子问题。
• 应用分而治之学习算法，将大图像划分为重叠子图像以实现分布式处理，从而实现可扩展性。
• 采用两阶段优化：首先通过ADMM估计系数图像，然后利用SCAD2TV惩罚项精炼ROI边界。
• 通过SCAD实现空间自适应加权，以减少系数估计中的偏差，特别是在低信号区域。
• 将该方法扩展至2D和3D图像，并在海马体MRI等神经影像数据上验证其适用性。

实验结果

研究问题

• RQ1 与现有凸方法相比，一种能联合强制实现稀疏性与空间连续性的非凸惩罚是否能提升图像-标量回归中的ROI检测性能？
• RQ2 如何在保持稀疏性与连续性的同时，减少Lasso和TV正则化固有的偏差？
• RQ3 基于ADMM的算法能否高效求解由SCAD2TV惩罚项引发的非凸优化问题？
• RQ4 分而治之学习策略是否能在不损失估计精度的前提下，实现对大规模医学图像的可扩展推理？
• RQ5 在真实神经影像数据上，SCAD2TV与GraphNet和TV-ℓ₁相比，在预测误差与选择准确率方面表现如何？

主要发现

• SCAD2TV成功识别出与疾病状态相关的海马体MRI中连续的活跃区域，其边界清晰锐利，明显优于TV-ℓ₁和GraphNet产生的方块状输出。
• 该方法未发现性别与海马体形态之间存在显著关联，与临床预期一致。
• 对于疾病状态，所识别ROI内99.85%的像素在对照组与阿尔茨海默病患者之间表现出统计显著差异（p < 0.01）。
• 假设检验证实，ROI内所有像素在5%显著性水平下在对照组与AD组之间均显著不同。
• SCAD2TV在测试集上实现了0.5476的均方误差（MSE），略优于TV-ℓ₁（0.5482）和GraphNet（0.5491）。
• 该算法在单台机器上使用150个重叠子图像，约25分钟内处理完完整数据集，展现出良好的可扩展性。