Descrizione del progetto
Nuovi algoritmi per gestire grandi quantità di dati di elaborazione delle immagini
Numerosi campi scientifici quali la biologia, la medicina, la fisica e la chimica producono una quantità sempre maggiore di dati che devono essere elaborati e archiviati in modo efficiente. La selezione di questo diluvio di dati richiede la progettazione di nuovi algoritmi che siano scalabili dal punto di vista computazionale, robusti e versatili. Il framework di massimizzazione-minimizzazione (MM), che impiega una classe di algoritmi di ottimizzazione efficienti ed efficaci, svolge un ruolo cruciale nell’elaborazione efficiente dei dati. Il progetto MAJORIS, finanziato dall’UE, progetterà nuovi algoritmi MM in grado di rimanere efficienti nella gestione di megadati. Il lavoro includerà lo sviluppo di strategie di accelerazione e analisi di convergenza. Le applicazioni mirate sono la microscopia multifotonica ad alta risoluzione, la ricostruzione dell’immagine della tomosintesi della mammella e l’elaborazione dei dati della spettrometria di massa.
Obiettivo
Mathematical optimization is the key to solving many problems in science, based on the observation that physical systems obey a general principle of least action. While some problems can be solved analytically, many more can only be solved via numerical algorithms. Research in this domain has proved essential over many years. In addition, science in general is changing. Increasingly, in biology, medicine, astronomy, chemistry, physics, large amounts of data are collected by constantly improving signal and image acquisition devices, that must be analyzed by sophisticated optimization tools. In this proposal, we consider handling optimization problems with large datasets. This means minimizing a cost function with a complex structure and many variables. The computational load for solving these problems is too great for even state-of-the-art algorithms. Thus, only relatively rudimentary data processing techniques are employed, reducing the quality of the results and limiting the outcomes that can be achieved via these novel instruments. New algorithms must be designed with computational scalability, robustness and versatility in mind.
In this context, Majorization-Minimization (MM) approaches have a crucial role to play. They consist of a class of efficient and effective optimization algorithms that benefit from solid theoretical foundations. The MAJORIS project aims at proposing a breakthrough in MM algorithms, so that they remain efficient when dealing with big data. I propose to tackle several challenging questions concerning algorithm design. These include acceleration strategies, convergence analysis with complex costs and inexact schemes. I will also tackle practical, massively parallel and distributed architecture implementations. Three specific applications are targeted: super-resolution in multiphoton microscopy in biology; on-the-fly reconstruction for 3D breast tomosynthesis in medical imaging; and mass spectrometry data processing in chemistry.
Campo scientifico
- natural sciencescomputer and information sciencesdata sciencebig data
- natural sciencesphysical sciencesopticsmicroscopysuper resolution microscopy
- natural sciencesphysical sciencesastronomy
- natural scienceschemical sciencesanalytical chemistrymass spectrometry
- natural sciencescomputer and information sciencesdata sciencedata processing
Programma(i)
Argomento(i)
Meccanismo di finanziamento
ERC-STG - Starting GrantIstituzione ospitante
78153 Le Chesnay Cedex
Francia