[論文レビュー] Convex Shape Priors for Level Set Representation

Shousheng Luo, Xue‐Cheng Tai|arXiv (Cornell University)|Nov 12, 2018

Medical Image Segmentation Techniques参考文献 25被引用数 6

ひとこと要約

本稿では、レベルセットに基づく画像セグメンテーションのための凸形状事前分布を提案する。凸性の必要十分条件を導出し、符号付き距離関数（SDF）のラプラシアンが非負でなければならないことを示す。この凸性制約を分割アルゴリズムを用いて変分モデルに統合し、低コントラスト、遮蔽、非一様な強度を持つ画像において、ランドマークに基づく事前分布と組み合わせることで、セグメンテーションの正確性が著しく向上する。

ABSTRACT

For many applications, we need to use techniques to represent convex shapes and objects. In this work, we use level set method to represent shapes and find a necessary and sufficient condition on the level set function to guarantee the convexity of the represented shapes. We take image segmentation as an example to apply our technique. Numerical algorithm is developed to solve the variational model. In order to improve the performance of segmentation for complex images, we also incorporate landmarks into the model. One option is to specify points that the object boundary must contain. Another option is to specify points that the foreground (the object) and the background must contain. Numerical experiments on different images validate the efficiency of the proposed models and algorithms. We want to emphasize that the proposed technique could be used for general shape optimization with convex shape prior. For other applications, the numerical algorithms need to be extended and modified.

研究の動機と目的

• レベルセット表現における画像セグメンテーションのための数学的に厳密な凸形状事前分布の開発。
• 強度ベースのセグメンテーションの限界を、低コントラスト、遮蔽、非一様な画像において形状事前分布を組み込むことで克服。
• レベルセット関数における必要十分条件に基づき、セグメンテッドオブジェクトの凸性を保証。
• オブジェクトまたは背景の点（ランドマーク）を統合することで、凸性制約付きモデルにおけるセグメンテーション正確性の向上。
• オペレータ分割技術を用いた、制約付き変分モデルを解くための効率的な数値アルゴリズムの設計。

提案手法

• 幾何的解析を用いて、形状の凸性と符号付き距離関数（SDF）のラプラシアンが非負であることの同値性を導出。
• φ がレベルセット関数（SDF）であるとき、Δφ ≥ 0 という条件を課すことにより、凸性制約を実装。これにより、すべての部分レベル集合が凸であることが保証される。
• ガウス・ミックスチャネル・モデル（GMM）に基づく領域力と、凸性およびランドマーク制約を組み合わせた変分モデルを構築。
• ランドマークに基づく2つの定式化を導入：1つは境界が指定された点を通ることを要件とし、もう1つは前景／背景の点が囲まれることを要件とする。
• 計算効率を高めるために、増大ラグランジュ法と交替方向乗数法（ADMM）を用いて、得られた制約付き最適化問題を解く。
• 計算コストを削減しながら正確性を維持するため、部分領域に基づく凸性制約を導入。

実験結果

リサーチクエスチョン

• RQ1 レベルセット関数にどのような必要十分条件を課すと、表現される形状が凸になるか？
• RQ2 学習データに依存せずに、レベルセットベースの画像セグメンテーションフレームワークで凸性を効果的に強制する方法は何か？
• RQ3 ランドマーク制約を凸性事前分布と組み合わせることで、困難な画像条件下でもセグメンテーション性能が向上するか？
• RQ4 低コントラストまたは遮蔽のある画像において、提案手法の凸性制約は、既存手法と比較して収束性と正確性の点で優れているか？
• RQ5 ランドマークに基づく凸性制約を用いる場合、初期曲線の配置が収束に与える影響は何か？

主な発見

• 本稿では、形状が凸であるための必要十分条件が、その符号付き距離関数（SDF）のラプラシアンが非負であることであることを数学的に証明し、凸形状事前分布の厳密な数学的基盤を提供した。
• 数値実験の結果、提案されたGMMLC（GMMにランドマークと凸性を組み合わせたモデル）は、複雑な画像、特に低コントラストおよび非一様な強度を持つ画像においても正確なセグメンテーションを達成した。
• 本手法は、ピザピオン、色付きの石、イン・ヤンなど、強度コントラストが最小限のオブジェクトについても、凸性制約なしのモデルに比べて優れた性能を示した。
• ランドマークの統合により、収束性と正確性が顕著に向上し、特に初期曲線がランドマークを囲んでいない場合（ランドマークが曲線内にある場合）に顕著であった。
• RPC（凸性とランドマークを含む）モデルは、重度の遮蔽や低コントラスト条件下でも正しくセグメンテーションを実行したが、同じランドマーク入力でも凸性なしのRPモデルは失敗した。
• 初期曲線がランドマークを外部に含むように選択された場合、凸性およびランドマーク制約が一貫して適用されるため、アルゴリズムは高い収束速度を示した。