[論文レビュー] Heat Kernel Smoothing in Irregular Image Domains

Moo K. Chung, Yanli Wang+1 more|arXiv (Cornell University)|Oct 21, 2017

Medical Image Segmentation Techniques参考文献 7被引用数 3

ひとこと要約

本稿は、不規則な3次元画像ドメインにおけるグラフ構造データに対して、グラフラプラシアンを用いて解析的に滑らかさカーネルを構築する離散ヒートカーネル平滑化手法を提案する。この手法によりノイズ低減と幾何的構造の保持が可能となり、CTスキャンからの肺血管木構造の高分解能リサンプリングおよびスケルトン化が可能になる。また、分散低減および領域固有の平均への収束に関する理論的保証も得られる。

ABSTRACT

We present the discrete version of heat kernel smoothing on graph data structure. The method is used to smooth data in an irregularly shaped domains in 3D images. New statistical properties are derived. As an application, we show how to filter out data in the lung blood vessel trees obtained from computed tomography. The method can be further used in representing the complex vessel trees parametrically and extracting the skeleton representation of the trees.

研究の動機と目的

• 3次元医療画像における不規則形状のドメインに対する離散ヒートカーネル平滑化フレームワークの開発。
• ヒートカーネル平滑化の新しい統計的性質、特に分散低減およびノイズの確率的挙動の導出。
• 複雑な血管構造（例：肺血管木構造）の高分解能リサンプリングおよびパラメトリック表現の実現。
• グラフベースのデータ平滑化における反復的ガウスカーネル近似の代替としての解析的アプローチの提供。
• 本手法がCTデータからの血管木構造のスケルトン表現を抽出する応用上の有効性の実証。

提案手法

• 本手法は、グラフラプラシアンを用いてスペクトル分解により離散ヒートカーネルを定義する：$ K_{\sigma} = \Psi e^{-\sigma \Lambda} \Psi^\top $、ここで$ \Psi $は固有ベクトルを、$ \Lambda $はラプラシアンの固有値を表す。
• ヒートカーネルは畳み込み演算子として適用される：$ K_{\sigma} * f $、ここで$ f $はグラフノード上のデータベクトルであり、スペクトルフィルタリングによる平滑化が可能になる。
• カーネルは二重確率的であり、$ K_{\sigma} \mathbf{1} = \mathbf{1} $ を満たし、隣接ノード上での確率分布として機能する。
• スケールスペース性$ K_{\sigma} K_{\tau} = K_{\sigma + \tau} $を活用し、複数の帯域幅における平滑化を解析的にモデル化する。
• スケルトン化のため、$ \sigma = 1 $ の平滑化後にノード座標を最も近い整数に丸め、スケーリングを適用してより細い表現を得る。
• 3次元画像ボリュームは、18近傍ボクセル接続を用いて3次元グラフに変換され、隣接行列がグラフラプラシアンを定義する。

実験結果

リサーチクエスチョン

• RQ1 不規則な3次元画像ドメインにおける離散グラフ設定でのヒートカーネル平滑化は、どのように定式化できるか？
• RQ2 離散ヒートカーネル平滑化に対して、分散低減やノイズ挙動といった統計的性質は、どのように厳密に導出可能か？
• RQ3 本手法は、肺血管木構造のような複雑な血管構造の高分解能リサンプリングおよびパラメトリック表現を可能にするか？
• RQ4 グラフの非連結成分において、ヒートカーネル平滑化はどのように平均値に収束するか？
• RQ5 事前のセグメンテーションや明示的なスケルトン化アルゴリズムを用いずに、血管木構造のスケルトン表現を抽出するために本手法を用いることができるか？

主な発見

• ヒートカーネル平滑化は、ノイズを含むデータの分散を低減する。定理2により、すべてのノード$ j $に対して$ \mathbb{V}(K_{\sigma} * f)_j \leq \mathbb{V}f_j $ が成り立つことが証明された。
• $ \sigma = 0 $ では、平滑化カーネルは単位行列となり、$ \sigma = \infty $ ではランク1行列$ \mathbf{1} \mathbf{1}^\top / p $ に収束し、グローバル平均を表す。
• グラフ内の非連結成分は、平滑化の下でそれぞれ固有の平均値に収束する。これは、$ \sigma = 10000 $ であっても非一様な色領域が残存することで裏付けられる。
• $ \sigma = 1 $ および6000個の固有ベクトルを用いることで、バイナリ血管セグメンテーションを元の分解能の2倍、4倍、6倍にアップサンプリングし、徐々に細いスケルトンに類似した表現が得られた。
• スケルトン表現は、平滑化された座標を丸めて得られ、2倍、4倍、6倍のスケーリングによりより細い木構造が得られ、新規なパラメトリック再構築手法を示した。
• 本手法は、$ p = 6615 $ ノードの3次元グラフにおいて安定かつ解析的に取り扱える平滑化を達成した。大規模固有値分解には、暗黙的再起動アーノルド法が用いられた。