Résumé Technique : Opérateur Neuronal de Galerkin Discontinu pour le Défloutage de Défocalisation en Pathologie

1. Énoncé du Problème

Le défloutage de la défocalisation en microscopie pathologique constitue un défi critique en raison de la nature spatialement variable et localement discontinue du flou optique. Contrairement aux tâches de restauration d'image standard qui supposent une invariance par translation, la défocalisation pathologique résulte d'un processus d'imagerie intégrale dépendant de la position. Des facteurs tels que les variations de profondeur, les structures tissulaires hétérogènes, l'hétérogénéité de l'indice de réfraction et les aberrations spatialement variables entraînent une variation de la fonction d'étalement du point (PSF) sur l'ensemble du champ de vision.

Les méthodes d'apprentissage profond existantes, y compris les réseaux de neurones convolutifs (CNN), les transformateurs de vision (ViT) et les modèles d'espace d'état (par exemple, Mamba), traitent généralement le défloutage de la défocalisation comme un problème de mapping de dimension finie ($F: \mathbb{R}^N \to \mathbb{R}^N$) sur des grilles d'échantillonnage fixes. Ces approches reposent souvent sur des hypothèses implicites d'invariance par translation ou sur des mécanismes d'attention globale qui manquent d'interprétabilité physique. Par conséquent, elles peinent à modéliser les motifs de flou hétérogènes et localement discontinus inhérents aux images pathologiques, entraînant une restauration sous-optimale de la morphologie cellulaire et une analyse en aval compromise (par exemple, détection et segmentation cellulaires).

2. Méthodologie : Opérateur Neuronal de Galerkin Discontinu (DGNO)

Les auteurs proposent l'Opérateur Neuronal de Galerkin Discontinu (DGNO), un cadre qui modélise le défloutage de la défocalisation comme l'inversion d'un opérateur intégral spatialement variable agissant sur des espaces fonctionnels ($G: g(\cdot) \mapsto h(\cdot)$). Inspiré de la méthode de Galerkin Discontinu (DG) utilisée pour résoudre des équations aux dérivées partielles, le DGNO décompose l'opérateur intégral global en deux composantes :

2.1. Formulation de Base

La mise à jour standard de l'opérateur neuronal, qui utilise un noyau intégral global, est remplacée par une mise à jour de style DG. Le domaine spatial est partitionné en éléments non chevauchants ($D = \bigcup D_e$). La mise à jour de l'opérateur pour un champ de caractéristiques latentes $z$ est définie comme suit :
$$z^{t+1}(x) = \sigma(Wz^t(x) + (K_{DG}z^t)(x))$$
où l'opérateur DG $K_{DG}$ est assemblé à partir de :

1. Opérateurs de Volume Locaux aux Éléments ($K_{e}^{vol}$) : Ils modélisent l'intégrale au sein de chaque élément $D_e$, capturant les dépendances spatiales locales. Ils sont paramétrés à l'aide d'un mécanisme d'attention de type Galerkin avec des fonctions de requête, de clé et de valeur apprises.
2. Flux Numériques d'Interface ($K_{e,f}^{flux}$) : Ils modélisent l'interaction entre les éléments adjacents à travers leurs interfaces partagées ($f \subset \partial D_e$). Cela permet un échange d'information inter-éléments contrôlé sans imposer de régularité globale, préservant ainsi les discontinuités locales.

2.2. Deux Variantes

L'article introduit deux formulations spécifiques pour le flux numérique :

• DGNO-Face (Basé sur l'interface) : Calcule explicitement les flux en intégrant sur les interfaces des éléments à l'aide de points échantillonnés et de fonctions de flux numérique (par exemple, central, amont, saut, moyenne-saut). Cette formulation est plus expressive pour les motifs structurels complexes.
• DGNO-Cell (Basé sur P0DG) : Une approximation DG d'ordre zéro légère où le champ latent est traité comme constant par morceaux à l'intérieur des éléments. Le flux est dérivé directement des opérateurs de volume des cellules voisines sans intégration d'interface supplémentaire. Cela convient aux scénarios d'imagerie plus simples.

2.3. Architecture du Réseau

Le réseau emploie une architecture multi-échelle avec quatre niveaux de relèvement. Il utilise un encodeur basé sur Mamba pour extraire des fonctions de base partagées et applique les couches d'attention de Galerkin discontinu proposées pour un raffinement spécifique à l'instance. Le système prend en charge diverses conditions aux limites (Neumann, Dirichlet, Périodiques) et formulations de flux numérique.

3. Contributions Clés

1. Alignement Physique : L'article présente la première formulation d'opérateur neuronal pour le défloutage de la défocalisation qui ancre explicitement le modèle dans la physique des opérateurs intégraux spatialement variables et localement supportés, offrant une alternative fondée sur des principes aux architectures invariantes par translation.
2. Cadre DGNO : La proposition de l'Opérateur Neuronal de Galerkin Discontinu, qui décompose les opérateurs globaux en intégrales de volume locales aux éléments et en flux numériques d'interface. Cela inclut à la fois une formulation générale de flux basée sur l'interface et une approximation P0DG légère.
3. Performance Supérieure : Des expériences extensives démontrent que le DGNO capture efficacement le flou spatialement variable et discontinu, surpassant les opérateurs neuronaux et les méthodes de restauration d'image les plus avancés tant en qualité de reconstruction qu'en performance des tâches en aval.

4. Résultats Expérimentaux

Les auteurs ont évalué le DGNO sur trois jeux de données microscopiques (BBBC006w1, BBBC006w2, 3DHistech) et un jeu de données d'images naturelles (DPDD).

• Performance Quantitative : Sur BBBC006w1, le DGNO-Cell a atteint un PSNR de 37,22 dB et un SSIM de 0,959, dépassant le meilleur résultat précédent (Restormer) d'environ 1,87 dB. Le DGNO-Face a atteint 37,09 dB. Sur le plus difficile BBBC006w2, le DGNO a surpassé MPT et Restormer de 2,18 dB et 0,96 dB, respectivement.
• Études d'Ablation :
  • En comparaison avec les opérateurs de Galerkin Global (GG) (SRNO), le DGNO a montré des améliorations constantes, validant la nécessité de modéliser la discontinuité et la localité.
  • L'analyse du rang effectif a révélé que le DGNO maintient une plus grande diversité de bases et évite l'effondrement du rang lors du raffinement itératif par rapport aux opérateurs globaux.
  • Le DGNO a démontré une performance supérieure sur les régions de bandes de bord et les structures cellulaires fines, réduisant les erreurs de reconstruction près des limites.
• Tâches en Aval : Dans les tâches de détection cellulaire utilisant StarDist, les images défloutées par le DGNO ont produit la Précision Moyenne la plus élevée (0,5561), surpassant significativement les autres méthodes et préservant mieux les structures de limites cellulaires.
• Généralisation : Le DGNO s'est bien généralisé à la défocalisation d'images naturelles réelles (jeu de données DPDD) et a montré une robustesse face à des niveaux de défocalisation variables.

5. Importance et Revendications

L'article revendique que le DGNO fournit une combinaison fondée sur des principes de localité, de modélisation de l'hétérogénéité et de cohérence globale. En préservant la physique sous-jacente de la formation d'images optiques, la méthode atteint des reconstructions plus nettes et une gestion robuste du flou spatialement variable par rapport aux approches d'apprentissage profond existantes.

Les auteurs soulignent que leur approche est destinée à un usage de recherche pour améliorer la qualité de la restauration d'image et soutenir l'analyse microscopique en aval (telle que la détection et la segmentation cellulaires). Ils déclarent explicitement que la méthode ne réalise pas de diagnostic clinique. Le travail met en évidence que la modélisation de la défocalisation comme un opérateur intégral par morceaux via des opérateurs neuronaux offre une nouvelle perspective interprétable physiquement pour résoudre des problèmes inverses mal posés en imagerie pathologique.