[論文レビュー] HMRF-EM-image: Implementation of the Hidden Markov Random Field Model and its Expectation-Maximization Algorithm

Quan Wang|arXiv (Cornell University)|Jul 15, 2012

Medical Image Segmentation Techniques参考文献 8被引用数 61

ひとこと要約

本論文では、2次元画像セグメンテーションのためのMATLABツールボックスであるHMRF-EM-imageを提示する。このツールボックスは、隠れマルコフランダムフィールド（HMRF）モデルと期待値最大化（EM）アルゴリズムを組み合わせ、データ適合性と空間的滑らかさをMAP推定とEMパラメータ学習により統合する。また、Canny検出によるエッジを保持することでセグメンテーションを向上させる。10回のEM反復と10回のMAP反復を伴う600×338の画像に対して、約40秒でロバストでエッジに配慮したセグメンテーションを達成する。

ABSTRACT

In this project, we study the hidden Markov random field (HMRF) model and its expectation-maximization (EM) algorithm. We implement a MATLAB toolbox named HMRF-EM-image for 2D image segmentation using the HMRF-EM framework. This toolbox also implements edge-prior-preserving image segmentation, and can be easily reconfigured for other problems, such as 3D image segmentation.

研究の動機と目的

• 医用画像および自然画像におけるロバストでエッジを保持する画像セグメンテーションのニーズに対応する。
• 2次元画像セグメンテーションのための柔軟で拡張可能なHMRF-EMフレームワークの実装を開発する。
• エッジ事前分布をHMRFモデルに統合し、物体境界でのセグメンテーション精度を向上させる。
• 研究者および実務家が利用可能な、明確なドキュメンテーションと再構成可能なMATLABツールボックスを提供する。
• モジュラーなコード設計により、3次元画像セグメンテーションへの拡張を可能にする。

提案手法

• HMRF-EMフレームワークは、画素強度のためのガウス尤度モデルと、ラベル構成のためのギブス事前分布を組み合わせ、データ適合性と空間的滑らかさのバランスをとる。
• EMアルゴリズムはEステップ（ラベルの後確率の計算）とMステップ（各ラベルごとの平均および分散パラメータの更新）を交互に繰り返し、モデルパラメータを推定する。
• MAP推定は、クラークポテンシャル（ラベルの不連続性をペナルティ化する項）を組み込んだ全後確率エネルギーの画素単位反復的最小化により実行される。
• エッジ事前分布の保持は、バイナリCannyエッジマップを用いて、エッジ画素を滑らかさ制約から除外することで実装される。
• 初期セグメンテーションは、画素強度に基づくk-meansクラスタリングにより生成され、EMアルゴリズムの初期化に使用される。
• コードのモularityにより再構成が可能である：U_X.mは近隣構造を定義し、U_l.mはクラークポテンシャルを定義し、インデクシング論理は3次元セグメンテーションに適応可能である。

実験結果

リサーチクエスチョン

• RQ1 エッジの保持を伴う2次元画像セグメンテーションに、HMRF-EMフレームワークを効果的に実装する方法は何か？
• RQ2 Cannyエッジマップを事前分布として組み込むことで、セグメンテーション品質および境界の正確性にどのような影響を与えるか？
• RQ3 繰り返しEMおよびMAPプロセスは、初期k-meansセグメンテーションの滑らかさとノイズ低減の観点からどのように改善するか？
• RQ4 標準サイズの画像におけるHMRF-EM-imageツールボックスの計算効率はどの程度か？
• RQ5 このツールボックスは、3次元画像セグメンテーションや代替特徴モデルに容易に再構成可能か？

主な発見

• HMRF-EM-imageツールボックスは、k-means初期セグメンテーションを効果的に改善し、より滑らかで整合性のあるラベルマップを生成し、形態的穴を低減する。
• エッジ事前分布を保持するセグメンテーションは、Cannyエッジマップと密接に一致する結果を示し、鋭い境界を効果的に維持している。
• 600×338の画像に対して10回のEM反復と10回のMAP反復を実行した場合、2.53GHzのIntel i5 CPU上で約40秒で処理が完了する。
• MAP更新ステップにおけるエッジ事前分布の組み込み（式20）により、物体境界を越えた滑らかさが防止され、構造的詳細が保持される。
• EMによるパラメータ推定は安定に収束し、図1(f)に示すように、反復回数に伴い全後確率エネルギーが単調に減少する。
• ツールボックスはモジュラーかつ拡張可能であり、明確なコンponent分離（例：U_X.mが近隣構造を定義、U_l.mがクラークポテンシャルを定義）により、3次元または代替特徴空間への適応が可能である。