[論文レビュー] Coercive Region-level Registration for Multi-modal Images

Yu‐Hui Chen, Dennis Wei+3 more|arXiv (Cornell University)|Feb 26, 2015

Medical Image Segmentation Techniques参考文献 16被引用数 3

ひとこと要約

本論文は、多モodalな顕微鏡画像のための強制的領域レベルの登録とセグメンテーションフレームワークを提案する。統計的モデルと仮説検定を用いて、補間を排除し、領域対応関係を保持することで、合成および実際のSEMデータにおいて優れた境界検出精度を達成する。この手法は、最新の手法を上回る性能を発揮する。

ABSTRACT

We propose a coercive approach to simultaneously register and segment multi-modal images which share similar spatial structure. Registration is done at the region level to facilitate data fusion while avoiding the need for interpolation. The algorithm performs alternating minimization of an objective function informed by statistical models for pixel values in different modalities. Hypothesis tests are developed to determine whether to refine segmentations by splitting regions. We demonstrate that our approach has significantly better performance than the state-of-the-art registration and segmentation methods on microscopy images.

研究の動機と目的

• ピクセルレベルの手法が補間バイアスに苦しむこと、および低コントラストのためセグメンテーションに失敗する、BSEとEBSDのような多モーダル顕微鏡画像の登録とセグメンテーションの課題に対処すること。
• 異なるモダリティ間の領域間のトポロジカル対応関係を保持する共同登録・セグメンテーションフレームワークを構築し、有効なデータ統合を実現すること。
• ピクセル値の分布に基づく統計的仮説検定を用いて、低コントラストモダリティにおける欠落した結晶粒境界を検出・是正すること。
• ピクセルレベルの補間に依存しない領域レベルでの登録により、解像度および強度の違いに対してより頑健な性能を実現すること。

提案手法

• 内部モダリティ適合（J(S_i, I_i)）と相互モダリティトポロジカル類似度（D(S_1, S_2)）を組み合わせた合成目的関数を最小化し、正則化パrameter λ を用いる。
• ピクセル値の統計的モデルとして、BSEには正規分布、EBSDにはvon Mises-Fisher分布を用い、確率的セグメンテーションと領域レベルのアライメントを可能にする。
• セグメンテーションと登録の間で交互に最小化を実行し、領域レベルの対応関係を用いて繰り返しセグメンテーションを改善する。
• 移動量 d がRayleigh分布に従うことに基づく仮説検定を用いて欠落した境界を検出する。検定のしきい値は、ユーザーが定義する誤検出率 α に基づき、動的に設定される。
• 相互モダリティエネルギー D(S_1, S_2) は、一方のモダリティに存在するが他方には存在しないセグメンテーション境界の数として定義され、トポロジカル整合性を促進する。
• 境界検出は、対応する領域エッジ間の観測された移動量が、Rayleigh分布から導かれた統計的しきい値を上回るかどうかをテストすることで実行される。

実験結果

リサーチクエスチョン

• RQ1 共同で領域レベルの登録とセグメンテーションが、独立したセグメンテーションとピクセルレベルの登録よりも、多モーダル顕微鏡画像において優れた性能を発揮できるか？
• RQ2 ピクセル強度の統計的モデルを用いて、低コントラストモダリティにおける欠落した結晶粒境界を信頼性高く検出できるか？
• RQ3 補間を伴わない領域レベルの登録は、補間に基づくピクセルレベルの手法と比較して、どの程度アライメント精度を向上させるか？
• RQ4 領域間移動量の統計的分布に基づく仮説検定は、誤って登録されたまたは欠落した境界を効果的に特定・是正できるか？
• RQ5 本手法は、データ統合のための下流処理において、異なるモダリティ間の領域対応関係をどの程度良好に保持できるか？

主な発見

• 提案手法は、独立したセグメンテーションとBスプライン登録と比較して、特に細い境界（w = 1–3ピクセル）において顕著に高い境界オーバーラップ率を達成し、誤って登録されたまたは欠落したエッジの検出性能が優れていることを示した。
• シミュレーテッドデータにおいて、強制的アプローチは境界幅 w = 3 の場合に90％を超えるオーバーラップ率を達成し、次善の手法と比較して20ポイント以上優れていた。
• 実際のIN100データでは、EBSDの境界（青線）がBSE画像の強度にうまく再一致され、結晶粒領域内での以前に欠落していた境界（緑線）が検出された。
• α = 0.05 および σ_d = 3 ピクセルの仮説検定は、境界の誤って登録されたものや欠落したものの正確な同定に成功し、同等半径 r と誤検出率に基づきしきい値が動的に設定された。
• 本手法は、すべてのモダリティ間の領域対応関係を保持しており、ピクセルレベル手法に一般的に見られる補間アーチファクトを排除し、堅牢なデータ統合を可能にした。
• アルゴリズムは、実材料データにおいても頑健な性能を示し、結晶粒境界の正確な登録と、BSEおよびEBSD両モダリティにおけるセグメンテーション品質の向上を達成した。