[論文レビュー] A Continuous Max-Flow Approach to Multi-Labeling Problems under Arbitrary Region Regularization

John S. H. Baxter, Martin Rajchl+2 more|arXiv (Cornell University)|May 5, 2014

Digital Image Processing Techniques参考文献 11被引用数 9

ひとこと要約

本稿では、有向無閉路グラフ（DAGMF）に基づく連続的最大フロー枠組みを導入し、従来の階層的モデルの制限を超えて、任意のスーパー物体正則化を可能にするマルチラベル画像セグメンテーションを実現する。柔軟なDAG構造を用いて複雑な部分-全体関係をモデル化し、GPGPU加速された最適化を伴う凸緩和により、重複するグループ化をサポートするとともに、PottsモデルやIshikawaモデルを一般化し、グローバル最適性を維持する。

ABSTRACT

The incorporation of region regularization into max-flow segmentation has traditionally focused on ordering and part-whole relationships. A side effect of the development of such models is that it constrained regularization only to those cases, rather than allowing for arbitrary region regularization. Directed Acyclic Graphical Max-Flow (DAGMF) segmentation overcomes these limitations by allowing for the algorithm designer to specify an arbitrary directed acyclic graph to structure a max-flow segmentation. This allows for individual 'parts' to be a member of multiple distinct 'wholes.'

研究の動機と目的

• 従来の最大フローセグメンテーションモデルが部分から全体への関係を単一の無閉路順序に制限するという、きめの粗い階層的制約を克服すること。
• 連続的マルチラベルセグメンテーションにおける任意のスーパー物体正則化を可能にし、1つの部分が複数の全体に属するのを許容すること。
• Potts、Ishikawa、一般化された階層的最大フローなどの既存モデルを、DAGに基づく正則化によって統一的なフレームワークに一般化すること。
• グローバル最適性を保ちながら、医療画像セグメンテーションにおける複雑な非階層的解剖的または構造的関係を扱えるGPGPU最適化ソルバーを開発すること。

提案手法

• 本手法は、各ノードがラベルまたはスーパー物体を表し、エッジがフローおよび正則化制約をエンコードする有向無閉路グラフ（DAG）上で、セグメンテーションを連続的最大フロー問題としてモデル化する。
• セグメンテーションエネルギー関数形の凸緩和を用い、各ラベルおよびスーパー物体に対してデータ適合性項と全 Variation に基づく滑らかさ項を組み込む。
• 親ラベルと子ラベルの整合性を保証する制約が含まれる。たとえば、$ u_G(x) = \sum_{L' \in G.C} u_{L'}(x) $ により、階層的フロー伝搬が保証される。
• エッジの重みは多重度から正規化され、有効なフローキャパシティを確保し、正則化フィールドの正確なスケーリングを可能にする。
• 制約付き最適化問題を効率的に解くために増廣ラグランジュ乗数法を用い、CUDAを用いた並列化によりGPGPU加速を実現する。
• ソースノードSは、$ u_S(x) = \sum_{L' \in S.C} w_{(S,L')} u_{L'}(x) = 1 $ により単位フローを強制し、すべてのラベルにわたる適切な正規化を保証する。

実験結果

リサーチクエスチョン

• RQ1 連続的最大フローセグメンテーションモデルは、厳密な階層的順序を越えて、任意のスーパー物体正則化をサポートできるか？
• RQ2 重複する部分-全体関係（1つの部分が複数の全体に属する）は、グローバルに最適なセグメンテーションフレームワーク内でどのようにモデル化できるか？
• RQ3 Potts、Ishikawa、および一般化された階層的モデルを統一的なDAGベースのアーキテクチャで一般化する数学的定式化は何か？
• RQ4 得られる最適化問題は、グローバル最適性を保ちながら、GPGPU並列処理を用いてどのように効率的に解けるか？

主な発見

• 提案されたDAGMFフレームワークは、柔軟なDAG構造を用いた任意のスーパー物体正則化により、Potts、Ishikawa、一般化された階層的最大フローモデルを一般化する。
• 本手法は、1つのラベルが複数のスーパー物体に属するような重複する部分-全体関係を可能にし、従来の階層的モデルでは実現不可能なものを実現する。
• エネルギー最小化問題は凸であり、グローバルに最適であり、DAGにおける親から子への一貫したフロー伝搬を保証する制約が含まれる。
• CUDAを用いたGPGPU加速により、高い計算効率が達成され、マルチGPUおよびマルチスレッド実行のための追加の並列性もサポートされる。
• エッジの多重度を調整することで正則化フィールドを正しくスケーリングし、エッジ重みの正規化により正則化強度を正確に保証する。