Résumé Technique : Régularisation à Auto-Réglage pour la Microscopie par Balayage d'Image

1. Énoncé du Problème

La microscopie par balayage d'image (ISM - Image Scanning Microscopy) est une technique d'imagerie de fluorescence qui améliore la résolution et le rapport signal sur bruit (SNR) en remplaçant un détecteur unique par un réseau (par exemple, un réseau de SPAD 5×5). Bien que l'ISM surmonte le compromis entre résolution et collecte de photons inhérent à la microscopie confocale laser à balayage (CLSM), l'extraction d'une image super-résolue de haute qualité à partir du jeu de données multi-cadres résultant demeure un défi computationnel.

Les méthodes de reconstruction actuelles de pointe, spécifiquement la déconvolution multi-images (MID - Multi-Image Deconvolution) et son extension pour le sectionnement optique, la s2ISM (Super-Resolution Sectioning ISM), reposent sur des schémas itératifs de type Richardson–Lucy (RL). Ces méthodes minimisent un terme de fidélité aux données basé sur la divergence de Kullback–Leibler (KL) dérivée des statistiques de Poisson. Cependant, elles souffrent d'une limitation fondamentale : la semi-convergence. Si les premières itérations récupèrent les détails de haute fréquence, la poursuite de l'itération amplifie le bruit et les artefacts de reconstruction, provoquant une divergence de la solution par rapport à l'objet réel. Par conséquent, ces méthodes nécessitent un arrêt précoce empirique, un processus heuristique qui manque de base théorique et conduit souvent à des reconstructions sous-optimales ou à une amplification du bruit dans des conditions de faible flux de photons. De plus, les approches existantes n'ont pas explicitement incorporé de priors de régularisation (tels que la parcimonie ou la continuité) pour stabiliser le processus d'inversion.

2. Méthodologie

Les auteurs proposent un cadre de régularisation explicite complet dans un cadre d'estimation Bayésienne du Maximum A Posteriori (MAP) pour remplacer l'arrêt précoce heuristique des méthodes RL.

2.1 Formulation Mathématique

Le problème de reconstruction est formulé comme un problème d'optimisation composite :
$$x^* \in \arg\min_{x \geq 0} \Phi(x) + \lambda R(x)$$
où :

• Fidélité aux données ($\Phi$) : Un terme de fidélité de Poisson multi-cadres basé sur la divergence KL généralisée. Pour la MID, cela modélise un plan focal unique. Pour la s2ISM, le modèle est étendu à un scénario à double plan ($x = [x_1, x_2]$) pour séparer les signaux en focus ($x_1$) du fond hors focus ($x_2$).
• Régularisation ($R$) : Des fonctionnelles favorisant la parcimonie sont introduites pour stabiliser la solution. Le papier évalue deux stratégies représentatives :
  • Norme $\ell_1$ : Impose la parcimonie dans le domaine de l'image.
  • Variation Totale lissée (TV - Smoothed Total Variation) : Favorise des reconstructions par morceaux lisses tout en préservant les contours. Un paramètre de lissage $\epsilon$ est utilisé pour garantir la différentiabilité pour l'optimisation par gradient.
• Contraintes : Une contrainte de non-négativité ($x \geq 0$) est imposée via une fonction indicatrice ou une barrière logarithmique.

2.2 Sélection Automatique de Paramètre (Principe de Blancheur du Résidu)

Un défi critique de la régularisation explicite est la sélection du paramètre de régularisation $\lambda$ sans vérité terrain. Les auteurs adaptent le Principe de Blancheur du Résidu (RWP - Residual Whiteness Principle) au contexte Poisson multi-cadres :

• Principe : Pour une reconstruction correctement régularisée, le résidu (différence entre les données observées et la prédiction du modèle) doit se comporter comme une réalisation non corrélée (blanche) du bruit de Poisson sous-jacent.
• Implémentation : La méthode calcule un "fonctionnel de blancheur" $W(Z)$ basé sur l'autocorrélation normalisée empirique du champ de résidus standardisé $Z$. Le $\lambda$ optimal est sélectionné en minimisant $W(Z)$.
• Adaptations :
  • Masquage : Pour gérer les pixels à zéro photon fréquents dans les régimes de faible flux, l'analyse est restreinte aux pixels où au moins un photon a été détecté (statistiques de Poisson tronquées à zéro).
  • Filtrage Passe-Haut (pour la s2ISM) : Dans le cas de la s2ISM à double plan, la composante de fond non régularisée ($x_2$) peut introduire des erreurs structurées à basse fréquence. Pour découpler la sélection de paramètres de ces erreurs, le fonctionnel de blancheur est évalué uniquement sur les composantes de haute fréquence du spectre des résidus.
  • Détection du Point de Genou (Knee-Point Detection) : Pour améliorer la robustesse face aux minima plats de la courbe de blancheur, une stratégie de détection géométrique du point de genou (Distance Maximale par rapport à la Corde) est employée pour sélectionner un point de fonctionnement stable.

2.3 Algorithmes d'Optimisation

Le papier utilise des schémas d'optimisation de premier ordre pour résoudre les problèmes variationnels, utilisant un recul adaptatif (adaptive backtracking) pour la sélection du pas afin de garantir l'efficacité :

• Descente de Gradient Proximal (PGD) : Utilisée pour la régularisation non lisse (ex: $\ell_1$) et la TV lissée.
• Descente de Miroir (MD - Mirror Descent) : Une généralisation non euclidienne de la descente de gradient utilisant une barrière logarithmique (entropie de Burg) pour imposer naturellement la non-négativité sans projection explicite. Cela produit des règles de mise à jour multiplicatives similaires à RL mais avec une régularisation explicite.
• Recul Adaptatif (Adaptive Backtracking) : Les schémas PGD et MD utilisent tous deux une stratégie de pas adaptative (expansion/contraction) pour éviter des bornes de Lipschitz globales trop conservatrices, accélérant ainsi significativement la convergence.

3. Contributions Clés

1. Cadre de Régularisation Explicite : Première formulation de la reconstruction MID et s2ISM comme problèmes variationnels explicites avec des priors favorisant la parcimonie ($\ell_1$ et TV), éliminant le besoin d'un arrêt précoce empirique.
2. Sélection de Paramètre sans Vérité Terrain : Développement d'une stratégie de sélection de paramètres entièrement automatique basée sur le Principe de Blancheur du Résidu, adaptée spécifiquement aux données Poisson multi-cadres et à l'architecture à double plan de la s2ISM (via filtrage passe-haut).
3. Optimisation Robuste : Implémentation de solveurs de premier ordre convergents (PGD et MD) avec recul adaptatif, fournissant des bornes de Lipschitz calculables et des propriétés de convergence efficaces pour la reconstruction ISM.
4. Validation : Validation complète sur des données simulées de microtubuline et sur des acquisitions réelles de microscopie de fluorescence (cellules HeLa marquées avec TOMM20), démontrant une stabilité et des améliorations de qualité par rapport aux approches non régularisées.

4. Résultats

• Stabilité : Contra à les méthodes RL, qui présentent un comportement de semi-convergence (l'erreur diminue puis augmente), les schémas régularisés proposés (particulièrement PGD-TV et MD-TV) maintiennent des erreurs de reconstruction stables ou montrent une convergence monotone, permettant aux algorithmes de s'exécuter jusqu'à la convergence numérique sans intervention manuelle.
• Qualité d'Image :
  • Données Simulées : Les méthodes basées sur la TV ont obtenu les scores quantitatifs les plus élevés (PSNR, MicroSSIM) et ont efficacement supprimé les artefacts ponctuels observés dans les reconstructions $\ell_1$.
  • Données Réelles : Le cadre a considérablement amélioré la continuité structurelle, supprimé le fond hors focus (en s2ISM) et augmenté le contraste dans les conditions de faible flux de photons. La régularisation TV a fourni des images plus propres et plus naturelles que l'aspect granulaire des résultats $\ell_1.
• Performance Computationnelle : Les schémas de Descente de Miroir (MD) ont convergé en nettement moins d'itérations et de temps que les schéments PGD. Cependant, les reconstructions MD ont occasionnellement présenté des artefacts oscillatoires résiduels ou une atténuation excessive des détails fins en raison de leur nature multiplicative, tandis que les schémas PGD offraient des résultats visuellement plus précis au prix d'un coût computationnel plus élevé.
• Sélection de Paramètre : La stratégie RWP a identifié avec succès les paramètres optimaux qui correspondaient étroitement à ceux maximisant le PSNR (en simulation) et ont produit des résultats visuellement stables dans les données réelles, même en présence de minima plats (gérés par la stratégie du point de genou).

5. Signification et Revendications

Le papier affirme que le cadre proposé établit la régularisation variationnelle explicite comme une alternative robuste et flexible aux approches Richardson–Lucy semi-convergentes qui dominent actuellement l'ISM. En intégrant des priors explicites avec une sélection de paramètres automatique sans vérité terrain, la méthode permet une super-résolution et un sectionnement optique stables et de haute qualité, particulièrement dans les contextes de faible flux de photons typiques de l'imagerie sur cellules vivantes.

Les auteurs présentent leur travail non pas comme une solution finale définitive, mais comme une démonstration représentative de la viabilité de cette approche. Ils notent que le choix spécifique des priors ($\ell_1$, TV) et des solveurs de premier ordre sert à isoler le rôle de la régularisation explicite. Le cadre est présenté comme naturellement extensible à des priors plus sophistiqués, des modèles appris et des approches Plug-and-Play. Ce travail comble une lacune critique dans le domaine en fournissant une méthode mathématiquement fondée pour surmonter l'instabilité de la déconvolution itérative sans dépendre de règles d'arrêt heuristiques.