技術要約：イメージスキャニング顕微鏡のための自己チューニング型正則化

1. 問題提起

イメージスキャニング顕微鏡（ISM）は、単一の検出器をアレイ（例：5×5 SPADアレイ）に置き換えることで、解像度と信号対雑音比（SNR）を向上させる蛍光イメージング技術である。ISMは、共焦点レーザースキャニング顕微鏡（CLSM）に固有の解像度と光子収集量のトレードオフを克服する一方で、得られるマルチフレームデータセットから高品質な超解像画像を抽出することは、依然として計算上の課題となっている。

現在の最先端の再構成手法、特にマルチイメージデコンボリューション（MID）およびその光学切片化への拡張であるSuper-Resolution Sectioning ISM（s2ISM）は、リチャードソン・ルーシー（RL）型の反復スキームに依存している。これらの手法は、ポアソン統計から導出されたカルバック・ライブラー（KL）ダイバージェンスに基づくデータ忠実度項を最小化する。しかし、これらは**半収束（semi-convergence）という根本的な限界を抱えている。初期の反復では高周波の詳細が回復されるものの、反復を続けるとノイズや再構成アーチファクトが増幅され、解が真の物体から乖離してしまう。その結果、これらの手法は経験的な早期停止（early stopping）**を必要とする。これは理論的根拠を欠いたヒューリスティックなプロセスであり、低光子条件下では、最適ではない再構成やノイズの増幅を招くことが多い。さらに、既存のアプローチは、反転プロセスを安定させるための正則化事前分布（スパース性や連続性など）を明示的に組み込んできていない。

2. 手法

著者らは、RL法のヒューリスティックな早期停止に代わるものとして、ベイズ最大事後確率（MAP）推定の設定における包括的な明示的正則化フレームワークを提案している。

2.1 数学的定式化

再構成問題は、以下の複合最適化問題として定式化される：
$$x^* \in \arg\min_{x \geq 0} \Phi(x) + \lambda R(x)$$
ここで：

• データ忠実度 ($\Phi$): 一般化KLダイバージェスに基づくマルチフレーム・ポアソン・データ忠実度項。MIDの場合、これは単一の合焦面をモデル化する。s2ISMの場合、モデルは二重平面シナリオ（$x = [x_1, x_2]$）へと拡張され、合焦信号（$x_1$）と焦点外背景（$x_2$）を分離する。
• 正則化 ($R$): 解を安定させるために、明示的なスパース性を促進する汎関数が導入される。本論文では、2つの代表的な戦略を評価している：
  • $\ell_1$ ノルム: 画像領域におけるスパース性を強制する。
  • 平滑化全変動（Smoothed Total Variation, TV）: エッジを保持しつつ、区分的に滑らかな再構成を促進する。勾配ベースの最適化における微分可能性を確保するために、平滑化パラメータ $\epsilon$ が使用される。
• 制約条件: 指示関数または対数障壁関数を介して、非負制約（$x \geq 0$）が課される。

2.2 自動パラメータ選択（残差ホワイトネス原理）

明示的正則化における重要な課題は、グラウンドトゥルース（真値）なしで正則化パラメータ $\lambda$ を選択することである。著者らは、**残差ホワイトネス原理（Residual Whiteness Principle, RWP）**をマルチフレーム・ポアソン設定に適応させた。

• 原理: 正しく正則化された再構成において、残差（観測データとモデル予測の差）は、基礎となるポアソンノイズの無相関な（ホワイトな）実現体として振る舞うべきである。
• 実装: 手法は、標準化された残差場 $Z$ の経験的正規化自己相関に基づく「ホワイトネス汎関数」$W(Z)$ を計算する。最適な $\lambda$ は、$W(Z)$ を最小化することによって選択される。
• 適応策:
  • マスキング: 低フラックス条件下で一般的なゼロ光子画素を扱うため、解析は少なくとも1つの光子が検出された画素（ゼロ切断ポアソン統計）に限定される。
  • ハイパスフィルタリング（s2ISM用）: 二重平面s2ISMの場合、正則化されていない背景成分（$x_2$）が構造的な低周波エラーを導入する可能性がある。この背景成分からパラメータ選択を切り離すため、ホワイトネス汎関数は残差スペクトルの高周波成分に対してのみ評価される。
  • ニーポイント検出: 平坦な極小値に対する堅牢性を高めるため、幾何学的なニーポイント検出戦略（最大弦距離法）が採用され、安定した動作点を選択する。

2.3 最適化アルゴリズム

本論文では、変分問題を解くために一次最適化スキームを採用し、効率性を確保するためにステップサイズ選択のための適応的バックトラッキングを利用している：

• 近接勾配降下法（Proximal Gradient Descent, PGD）: 非平滑な正則化（$\ell_1$ など）および平滑化TVに使用される。
• ミラー降下法（Mirror Descent, MD）: 非負制約を明示的な投影なしに自然に強制する、対数障壁（Burgのエントロピー）を用いた非ユークリッド的な勾配降下法の一般化である。これにより、明示的な正則化を伴う乗法的更新則が得られる。
• 適応的バックトラッキング: PGDとMDの両方のスキームは、過度に保守的なグローバル・リプシッツ境界を避けるために、ステップサイズの拡大・縮小を行う適応的ステップサイズ戦略を利用しており、これにより収束が大幅に加速される。

3. 主な貢献

1. 明示的正則化フレームワーク: MIDおよびs2ISMの再構成を、スパース性を促進する事前分布（$\ell_1$ および TV）を持つ明示的な変分問題として初めて定式化し、経験的な早期停止を排除した。
2. グラウンドトゥルース不要のパラメータ選択: マルチフレーム・ポアソン・データおよび二重平面s2ISMアーキテクチャ（ハイパスフィルタリングを介して）に特化した、残差ホワイトネス原理に基づく完全自動のパラメータ選択戦略の開発。
3. 堅牢な最適化: 適応的バックトラッキングを備えた収束する一次ソルバー（PGDおよびMD）の実装により、計算可能なリプシッツ境界と効率的な収束特性をISM再構成に提供する。
4. 検証: シミュレーションによるマイクロチューブリン・データおよび、実際の蛍光顕微鏡撮影（TOMM20でラベル付けされたHeLa細胞）の両方を用いた包括的な検証を行い、非正則化アプローチに対する安定性と品質の向上を示した。

4. 結果

• 安定性: エラーが減少した後に増加する半収束挙動を示すRL法とは異なり、提案された正則化スキーム（特にPGD-TVおよびMD-TV）は、安定した再構成エラーまたは単調な収束を維持するため、手動の介入なしに数値的収束まで実行できる。
• 画像品質:
  • シミュレーションデータ: TVベースの手法が最も高い定量的スコア（PSNR, MicroSSIM）を達成し、$\ell_1$ 再構成で見られる点状のアーチファクトを効果的に抑制した。
  • 実データ: 本フレームワークは、構造的な連続性を大幅に改善し、焦点外の背景を抑制し（s2ISMにおいて）、低光子条件下でのコントラストを向上させた。TV正則化は、$\ell_1$ の結果に見られる粒状の外観と比較して、よりクリーンで自然な外観の画像を提供した。
• 計算性能: ミラー降下法（MD）スキームは、PGDスキームよりも大幅に少ない反復回数と時間で収束した。しかし、MDによる再構成は、その乗法的な性質により、時として残留的な振動アーチファクトや微細な詳細の過度な減衰を示すことがあった。一方、PGDスキームは、より高い計算コストを要するものの、より視覚的に正確な結果を提供した。
• パラメータ選択: RWP戦略は、シミュレーションにおいてPSNRを最大化するものと一致する最適なパラメータを特定することに成功し（シミュレーションにおいて）、実データにおいても視覚的に安定した結果を生み出した（ニーポイント戦略によって処理）。

5. 意義と主張

本論文は、提案されたフレームワークが、現在ISMで主流となっている半収束的なリチャードソン・ルーシー法に対する、堅牢かつ柔軟な代替手段として明示的変分正則化を確立することを主張している。明示的な事前分布とグラウンドトゥルース不要の自動パラメータ選択を統合することで、本手法は、特にライブセルイメージングに典型的な困難な低光子条件下において、安定した高品質な超解像および光学切片化を可能にする。

著者らは、本研究を決定的な最終解としてではなく、このアプローチの実現可能性を示す代表的なデモンストレーションとして位置づけている。彼らは、特定の事前分布（$\ell_1$, TV）および一次ソルバーの選択が、明示的正則化の役割を分離するためのものであると述べている。このフレームワークは、より洗練された事前分布、学習済みモデル、およびプラグアンドプレイ（Plug-and-Play）手法へと自然に拡張可能である。本研究は、ヒューリスティックな停止ルールに頼ることなく、反復的なデコンボリューションの不安定性を克服するための数学的根拠に基づいた手法を提供することで、この分野の重要なギャップを埋めるものである。