[论文解读] Microarrays denoising via smoothing of coefficients in wavelet domain

Mario Mastriani, Alberto Giráldez|arXiv (Cornell University)|Jul 10, 2018

Image and Signal Denoising Methods参考文献 5被引用 7

一句话总结

本文提出了一种基于小波的新型微阵列去噪方法，通过在单层小波分解的最高子带中平滑系数来实现。该方法仅对最细尺度的小波系数应用局部平滑，并通过重建信号，相较于现有技术在去噪性能上表现更优，尤其适用于噪声方差未知的微阵列数据。

ABSTRACT

We describe a novel method for removing noise (in wavelet domain) of unknown variance from microarrays. The method is based on a smoothing of the coefficients of the highest subbands. Specifically, we decompose the noisy microarray into wavelet subbands, apply smoothing within each highest subband, and reconstruct a microarray from the modified wavelet coefficients. This process is applied a single time, and exclusively to the first level of decomposition, i.e., in most of the cases, it is not necessary a multirresoltuion analysis. Denoising results compare favorably to the most of methods in use at the moment.

研究动机与目标

• 解决基因表达分析中常见的噪声方差未知的微阵列数据去噪挑战。
• 开发一种避免多分辨率分析复杂性的同时保持高去噪精度的方法。
• 通过选择性地平滑最高子带中的小波系数，提高微阵列数据的信号保真度。
• 为小波域中的现有去噪技术提供一种计算高效的替代方案。
• 通过单层分解实现与最先进方法相当或更优的性能。

提出的方法

• 该方法对含噪微阵列数据执行单层离散小波变换（DWT），将其分解为近似系数和细节系数。
• 仅选择来自最高子带（即最细尺度）的系数进行平滑，因为这些系数主要包含噪声。
• 在每个最高子带内应用局部平滑技术，使用邻域平均或类似局部滤波方法抑制噪声，同时保留信号特征。
• 将去噪后的系数通过逆向DWT重构微阵列信号，从而得到更清晰的表达谱。
• 整个过程仅执行一次，无需迭代优化或多分辨率分解。
• 该方法设计为对未知噪声方差具有鲁棒性，适用于真实世界中的微阵列数据。

实验结果

研究问题

• RQ1 通过仅对最高子带系数进行针对性平滑的单层小波变换，能否有效降低微阵列数据中的噪声？
• RQ2 与现有的多分辨率或阈值化去噪技术相比，该方法的性能如何？
• RQ3 在缺乏微阵列数据噪声方差先验知识的情况下，该方法能实现多大程度的噪声降低？
• RQ4 仅平滑最细尺度系数是否比全子带阈值化更好地保留生物相关的信号特征？
• RQ5 所提出的方法在计算效率上是否足够高效，适用于高通量基因表达分析？

主要发现

• 所提出的方法在去噪性能上优于当前大多数在用的现有方法。
• 即使在噪声方差未知的情况下，该方法仍能有效降低微阵列数据中的噪声，提升信噪比。
• 仅使用第一层分解显著降低了计算复杂度，同时保持了高精度。
• 在最高子带内进行平滑处理，相比全局阈值化或多分辨率方法，能更好地保留局部信号结构。
• 该方法在具有不同噪声特性的多种微阵列数据集中表现出强鲁棒性和一致性。
• 结果表明，对细尺度小波系数进行局部平滑已足够实现有效去噪，无需复杂的多分辨率分析。