[論文レビュー] A Local Active Contour Model for Image Segmentation with Intensity Inhomogeneity

Kaihua Zhang, Lei Zhang+2 more|arXiv (Cornell University)|May 30, 2013

Medical Image Segmentation Techniques参考文献 36被引用数 24

ひとこと要約

本稿では、移動ウィンドウを用いて画像を変換することで、ガウス分布に従うオブジェクト強度をよりよく分離できるようにすることで、強度不均一性下での画像セグメンテーションに対処する局所的アクティブな輪郭モデルを提案する。バイアスフィールドを適応的に推定し、統計的エネルギー関数を最小化することで、合成画像および実画像においても高い精度とロバスト性を達成し、最先端の手法を上回る性能を示す。

ABSTRACT

A novel locally statistical active contour model (ACM) for image segmentation in the presence of intensity inhomogeneity is presented in this paper. The inhomogeneous objects are modeled as Gaussian distributions of different means and variances, and a moving window is used to map the original image into another domain, where the intensity distributions of inhomogeneous objects are still Gaussian but are better separated. The means of the Gaussian distributions in the transformed domain can be adaptively estimated by multiplying a bias field with the original signal within the window. A statistical energy functional is then defined for each local region, which combines the bias field, the level set function, and the constant approximating the true signal of the corresponding object. Experiments on both synthetic and real images demonstrate the superiority of our proposed algorithm to state-of-the-art and representative methods.

研究の動機と目的

• オブジェクト強度が空間的に変化する状況下での画像セグメンテーションの課題に対処すること。
• 医療画像や自然画像において、非一様な強度分布を示す領域のセグメンテーション精度を向上させること。
• 移動ウィンドウフレームワーク内でのバイアスフィールドと局所統計の適応的推定を可能にする局所的アクティブな輪郭モデルを開発すること。
• 複雑な強度不均一性に対処する際、従来のグローバルおよび局所的アクティブな輪郭モデルを上回ること。

提案手法

• 画像に移動ウィンドウを適用し、局所的に強度統計を推定することで、元の画像を強度分布がより明確に分離された領域に変換する。
• オブジェクトは変換された領域内での異なる平均と分散を有するガウス分布としてモデル化され、局所的統計解析が可能になる。
• 各ウィンドウ内で元の信号にバイアスフィールドを乗算することで、バイアスフィールドを適応的に推定し、局所的強度近似を向上させる。
• 各局所的領域に対して、バイアスフィールド、レベルセット関数、真のオブジェクト信号の定数近似を組み合わせた統計的エネルギー関数を定義する。
• エネルギー関数をレベルセットの進化スキームを用いて最小化し、アクティブな輪郭をオブジェクト境界へと進化させる。
• 局所的情報を活用することで、強度不均一性が顕著な領域におけるセグメンテーションのロバスト性が向上する。

実験結果

リサーチクエスチョン

• RQ1 強度不均一性を有する画像におけるセグメンテーションの向上に、どのようにして局所的統計的情報を効果的に活用できるか？
• RQ2 移動ウィンドウフレームワーク内でのバイアスフィールド推定戦略が、オブジェクト強度の分離をどのように向上させるか？
• RQ3 提案された局所的アクティブな輪郭モデルは、グローバルおよび既存の局所的モデルと比較して、複雑な強度変動に対処する上でどのように差をつけるか？
• RQ4 局所的ガウスモデルに基づく統計的エネルギー関数を用いることで、セグメンテーション精度にどのような影響を与えるか？
• RQ5 強度分布やグローバル画像統計に関する事前知識が不要な状態で、本手法がロバストなセグメンテーションを達成できるか？

主な発見

• 制御された強度不均一性を有する合成画像において、本手法は最先端のアクティブな輪郭モデルを上回る優れたセグメンテーション結果を達成した。
• 実際の医療画像において、T1強調MRIスキャンにおける脳組織など、強い強度不均一性を示すオブジェクトのセグメンテーションに成功した。
• 局所的統計的モデリングと適応的バイアスフィールド推定のおかげで、ノイズや複雑な背景変動に対してもロバストであることが示された。
• 定量的評価では、競合手法と比較してDice類似係数が向上し、境界ずれが低減した。
• 移動ウィンドウと局所的エネルギー関数の使用により、強度が急激に変化する領域でも正確なホログラム進化が可能となった。
• アルゴリズムは安定的かつ効率的に収束し、初期化にほとんど感度を示さないことが、多数のテストケースで検証された。