[論文レビュー] An Automatic Seeded Region Growing for 2D Biomedical Image Segmentation

Mohammed M. Abdelsamea|arXiv (Cornell University)|Dec 12, 2014

Medical Image Segmentation Techniques参考文献 7被引用数 18

ひとこと要約

本稿では、過剰および不十分なセグメンテーションを低減することで細胞画像解析を向上させる、2次元バイオメディカル画像セグメンテーションのための自動シード領域拡張アルゴリズムを提案する。ROI抽出、機械学習を用いた自動シード選択、反復的領域拡張を活用し、従来の手法に比べて正確でノイズの少ないセグメンテーションを実現する。

ABSTRACT

In this paper, an automatic seeded region growing algorithm is proposed for cellular image segmentation. First, the regions of interest (ROIs) extracted from the preprocessed image. Second, the initial seeds are automatically selected based on ROIs extracted from the image. Third, the most reprehensive seeds are selected using a machine learning algorithm. Finally, the cellular image is segmented into regions where each region corresponds to a seed. The aim of the proposed is to automatically extract the Region of Interests (ROI) from the cellular images in terms of overcoming the explosion, under segmentation and over segmentation problems. Experimental results show that the proposed algorithm can improve the segmented image and the segmented results are less noisy as compared to some existing algorithms.

研究の動機と目的

• 細胞画像セグメンテーションにおける過剰セグメンテーションおよび不十分セグメンテーションの問題を解決すること。
• 2次元バイオメディカル画像における領域拡張アルゴリズムのシード選択プロセスを自動化すること。
• 細胞画像解析におけるセグメンテーションの正確性を向上させ、ノイズを低減すること。
• 手動によるシード配置を一切必要としない、堅牢で完全自動の手法を開発すること。
• 従来の領域拡張およびセグメンテーション技術と比較して、セグメンテーション結果を向上させること。

提案手法

• 入力画像の前処理を開始し、品質を向上させ、領域の注目（ROI）検出に備える。
• 画像処理技術を用いて前処理済み画像からROIを抽出し、候補領域を特定する。
• 抽出されたROIに基づいて初期シードを自動的に選択し、細胞構造に関連する妥当性を確保する。
• 機械学習アルゴリズムにより初期シード群から最も代表的なシードを選択し、セグメンテーションの忠実性を向上させる。
• 選択されたシードから反復的に領域拡張を実行し、強度の類似性および空間的連結性に基づいて領域を拡大する。
• アルゴリズムは各セグメンテーション領域が1つのシードに対応することを保証し、断片化や融合エラーを最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 自動シード選択は2次元バイオメディカル画像におけるセグメンテーション正確性を向上させ得るか？
• RQ2 機械学習に基づくシード選択は、領域拡張における過剰および不十分セグメンテーションをどのように低減するか？
• RQ3 提案手法は、従来のアルゴリズムと比較して、セグメンテーションされた細胞画像におけるノイズをどの程度低減するか？
• RQ4 アルゴリズムは手動によるシード入力なしに一貫したセグメンテーションを達成できるか？
• RQ5 ROIに基づくシード初期化は、セグメンテーション性能にどのような影響を与えるか？

主な発見

• 提案手法は、従来の領域拡張手法と比較して、セグメンテーション画像におけるノイズを顕著に低減した。
• セグメンテーション結果は、アーチファクトが少なく、細胞境界の保存が良好である点で正確性が向上した。
• 初期シードの代表性を向上させるために機械学習を用いたシード選択を実施した結果、より信頼性の高い領域拡張が実現した。
• 従来の領域拡張法で一般的に見られる過剰セグメンテーションおよび不十分セグメンテーションの問題を効果的に緩和した。
• 実験結果から、本手法はベースライン手法と比較して、より一貫性があり視覚的に正確なセグメンテーションを生成することが示された。
• アルゴリズムは完全に自動化されており、バイオメディカル画像解析における手動によるシード配置の必要性が排除された。