[論文レビュー] Image Segmentation by Size-Dependent Single Linkage Clustering of a Watershed Basin Graph

Aleksandar Zlateski, H. Sebastian Seung|arXiv (Cornell University)|May 1, 2015

Medical Image Segmentation Techniques参考文献 8被引用数 46

ひとこと要約

本稿では、サイズに依存する単一連結クラスタリングを用いて、過剰セグメンテーションを低減する、準線形時間の階層的画像セグメンテーション手法を提案する。3D電子顕微鏡画像におけるウォータッシュド盆地の過剰セグメンテーションと組み合わせることで、大規模な3D電子顕微鏡画像においても過剰セグメンテーションを効果的に低減する。単一連結クラスタリングを、セグメントサイズの事前知識を組み込むように変更することで、最小限のマージエラーで優れたセグメンテーション精度を達成し、ベンチマーク神経画像データセットにおいて既存手法を上回る性能を発揮する。

ABSTRACT

We present a method for hierarchical image segmentation that defines a disaffinity graph on the image, over-segments it into watershed basins, defines a new graph on the basins, and then merges basins with a modified, size-dependent version of single linkage clustering. The quasilinear runtime of the method makes it suitable for segmenting large images. We illustrate the method on the challenging problem of segmenting 3D electron microscopic brain images.

研究の動機と目的

• 標準のウォータッシュド変換によって引き起こされる3D電子顕微鏡脳画像における深刻な過剰セグメンテーションを解消すること。
• サイズに依存するマージ基準を用いた単一連結クラスタリングを用いて、ウォータッシュド盆地を段階的にマージする後処理手法を開発すること。
• 準線形実行時間で実現可能な、スケーラブルなテラスケール3D画像のセグメンテーションを可能にすること。
• クラスタリングプロセスに真のセグメントサイズの事前知識を組み込むことで、セグメンテーション精度を向上させること。
• 挑戦的な神経画像データセットにおいて、同等の計算複雑度を持つ既存の最先端手法を上回る性能を発揮すること。

提案手法

• 低エッジ重みがボクセルの類似度の高い可能性を示す、非類似性グラフから開始する。
• 勾配降下の最も急な勾配に従うウォータッシュド変換を適用し、一貫したプレートオーバーと境界頂点の取り扱いを伴って過剰にセグメンテーションする。
• 元のグラフにおける2つの盆地間の最小エッジ重みを用いて、盆地の間のエッジ重みを設定することで、盆地のグラフを構築する。
• 単一連結クラスタリングをこの盆地グラフに適用するが、最小サイズ未満のクラスタのマージを防ぐサイズ依存の述語を追加する。
• 述語は、セグメントサイズとエッジの類似度に基づいてマージ閾値を調整する関数 ω(w) を用いることで、サイズ感知のマージを実現する。
• エッジを重みの非減少順に処理し、クラスタを維持するためのユニオン・ファインドデータ構造を用いることで、準線形時間計算量を達成する。

実験結果

リサーチクエスチョン

• RQ1 サイズに依存する単一連結クラスタリング戦略は、過剰セグメンテーションを引き起こすウォータッシュドベースの画像セグメンテーションにおいて、過剰なマージエラーを引き起こさずに過剰セグメンテーションを低減できるか？
• RQ2 3D電子顕微鏡画像における期待されるセグメントサイズの事前知識を組み込むことで、セグメンテーション精度にどのような影響を与えるか？
• RQ3 提案手法は、同等の計算複雑度を持つ既存の準線形手法を上回る性能を発揮できるか？
• RQ4 非類似性グラフの事前処理としてのしきい値処理が、最終的なセグメンテーション品質にどの程度向上効果をもたらすか？
• RQ5 神経画像データにおいて、Felzenszwalbら[5]の最先端手法と比較して、分割誤差とマージ誤差の両面で本手法はどの程度優れているか？

主な発見

• 提案手法はFelzenszwalbら[5]の手法よりも高い分割スコアとマージスコアを達成しており、セグメンテーション誤差が少ないことを示している。
• ω(w) = 3000(1−w) の設定では、人間の専門家による正解データに極めて近いセグメンテーションが得られ、図4(b)に示すように、人間の評価と一致する。
• 標準のウォータッシュドおよび事前処理済みウォータッシュドと比較して、過剰セグメンテーションが顕著に低減された一方、マージエラーはほとんど発生しなかった。
• [5]のパラメータkを、提案手法のマージ回数に合わせて調整した場合、大量の分割誤差が発生した。これは、サイズに依存するアプローチの優位性を示している。
• 提案手法の準線形実行時間は、256³サイズの大型3D電子顕微鏡画像のセグメンテーションに適している。
• クラスタサイズが凝集段階で単調に増加するため、サイズ依存のクラスタリング述語は、効率的に実装可能であり、高速なユニオン・ファインド操作が可能である。