[論文レビュー] A Continuous Max-Flow Approach to General Hierarchical Multi-Labeling Problems

John S. H. Baxter, Martin Rajchl+2 more|arXiv (Cornell University)|Apr 1, 2014

Medical Image Segmentation Techniques参考文献 8被引用数 10

ひとこと要約

本稿では、任意の階層的解剖的制約下でグローバル最適なマルチラベルセグメンテーションを実現する連続的最大フロー枠組み、一般化階層的最大フロー（GHMF）を提案する。階層的制約を含む連続的最小カットの凸緩和として問題を定式化することで、GPUアクセラレーションを用いた効率的で並列化可能な最適化を可能にするとともに、ランタイムでの階層構造指定をサポートし、柔軟でインタラクティブなセグメンテーションを実現する。

ABSTRACT

Multi-region segmentation algorithms often have the onus of incorporating complex anatomical knowledge representing spatial or geometric relationships between objects, and general-purpose methods of addressing this knowledge in an optimization-based manner have thus been lacking. This paper presents Generalized Hierarchical Max-Flow (GHMF) segmentation, which captures simple anatomical part-whole relationships in the form of an unconstrained hierarchy. Regularization can then be applied to both parts and wholes independently, allowing for spatial grouping and clustering of labels in a globally optimal convex optimization framework. For the purposes of ready integration into a variety of segmentation tasks, the hierarchies can be presented in run-time, allowing for the segmentation problem to be readily specified and alternatives explored without undue programming effort or recompilation.

研究の動機と目的

• マルチリージョン医療画像セグメンテーションにおいて、複雑な解剖的部品・全体関係を組み込む一般化された最適化手法の不足に対処すること。
• 離散的階層的グラフカット手法を、グローバル最適性を保持したまま連続的変分設定に拡張すること。
• 再コンパイルやハードコードなしで、柔軟にランタイムで階層ラベル構造を指定できること。
• 統一された凸最適化枠組みを通じて、部分と全体の独立した正則化を可能にすること。
• GPGPUとタスク間並列処理を活用した高性能計算を実現し、スケーラブルなセグメンテーションを可能にすること。

提案手法

• 入力階層に応じてスケーリングされる連続的最大フローモデルを定式化し、親子関係を部分集合／スーパーセット制約として表現する。
• 階層的制約下での提案された連続的最大フローと、凸緩和された連続的最小カットとの等価性を確立する。
• 増大ラグランジュ法と双対上昇を用いて最適化問題を解き、双対変数に対して解析的更新を適用する。
• 下位から上位への最適化：まずフロー場 $ q_L $ を更新し、次にラベルインジケータ $ u_L $ を更新し、最後にポテンシャル関数 $ p_L $ を更新する。
• リーフノードにおけるデータ項に基づいて初期値を設定し、階層を上向きに伝搬させる再帰的初期化手順を実装する。
• CUDAを用いたGPUアクセラレーションにより、タスク内並列処理と複数GPU間のタスク間並列処理を実現し、性能スケーリングを達成する。

実験結果

リサーチクエスチョン

• RQ1 グローバル最適性を維持したまま、任意の階層的ラベル関係を扱えるように連続的最大フロー定式化を一般化できるか？
• RQ2 幾何的形状に制限を課さずに、連続的変分枠組みで解剖的部品・全体関係をどのように表現できるか？
• RQ3 GPUアクセラレーションと並列処理可能なアルゴリズムを用いて、階層的セグメンテーション問題を効率的に解けるか？
• RQ4 すべての上位レベルの制約をフローとポテンシャル関数を介して処理することで、問題をリーフノードにおけるデータ項のみに依存させられるか？
• RQ5 既存の離散的または連続的マルチラベルセグメンテーション手法と比較して、性能と精度に優れているか？

主な発見

• 提案されたGHMFフレームワークは、複雑な階層的制約下においても凸最適化設定でグローバル最適性を達成する。
• 根付き木表現を用いることで、非分割型および非ネスト型のラベル構造を含む任意の階層をサポートする。
• アルゴリズムはランタイムでの階層指定を可能にし、再コンパイルなしでセグメンテーションの代替案をインタラクティブに探索できる。
• ソルバーはリーフノードでのみデータ項を必要とし、すべての上位レベルの制約はフローとポテンシャル関数を介して線形時間の還元により処理される。
• CUDAを用いたGPUアクセラレーションにより、高い並列性と性能スケーリングが実現され、マルチGPUおよびタスク間並列処理をサポートする。
• 解析的更新を伴う反復的双対上昇により収束が実現され、数値的安定性と効率性が保証される。