[논문 리뷰] A Hidden Markov model for Bayesian data fusion of multivariate signals

Olivier Féron, Ali Mohammad‐Djafari|ArXiv.org|2004. 03. 31.

Anomaly Detection Techniques and Applications참고 문헌 12인용 수 6

한 줄 요약

이 논문은 히든 마르코프 모델(HMM)을 사용한 베이지안 데이터 융합 프레임워크를 제안하며, 공통의 세그멘테이션 레이블 필드를 퍼스 모어크로프 랜덤 필드(Potts MRF)로 모델링한다. 이 방법은 마르코프 체인 몬테 카를로(MCMC) 알고리즘을 통해 두 개의 관측된 이미지와 공통된 세그멘테이션된 이미지를 동시에 추정함으로써, MRI/CT 및 X선 투과/반사 이미지 간의 상호보완적 정보를 융합함으로써 세그멘테이션 정확도를 향상시키지만 계산 복잡도는 증가시키지 않는다.

ABSTRACT

In this work we propose a Bayesian framework for data fusion of multivariate signals which arises in imaging systems. More specifically, we consider the case where we have observed two images of the same object through two different imaging processes. The objective of this work is then to propose a coherent approach to combine these data sets to obtain a segmented image which can be considered as the fusion result of these two images. The proposed approach is based on a Hidden Markov Modeling (HMM) of the images with common segmentation, or equivalently, with common hidden classification label variables which is modeled by the Potts Markov Random Field. We propose then an appropriate Markov Chain Monte Carlo (MCMC) algorithm to implement the method and show some simulation results and applications.

연구 동기 및 목표

• 다양한 영상 모odalities에서 유도된 다변량 신호를 융합하기 위한 일관된 베이지안 프레임워크를 개발하는 것.
• 공통의 숨겨진 분류 변수를 사용하여 두 영상 간의 공통된 영상 세그멘테이션을 모델링하는 것.
• MCMC 샘플링을 통해 원본 이미지와 융합된 세그멘테이션 표현을 동시에 추정하는 것.
• 다른 영상 과정에서 유도된 상호보완적 정보를 활용하여 세그멘테이션 성능을 향상시키는 것.
• 융합과 재구성 과정을 동시에 수행함으로써 계산 복잡도를 감소시키는 것.

제안 방법

• 관측된 두 이미지 $ g_1 $ 및 $ g_2 $ 를 각각 기저 이미지 $ f_1 $ 및 $ f_2 $ 의 가우시안 노이즈 첨가된 복사본으로 모델링한다.
• 두 영상 전반에 걸쳐 공통된 세그멘테이션을 나타내는 숨겨진 레이블 필드 $ \mathbf{z} \in \{1,\dots,K\}^S $ 를 도입한다.
• 세그멘테이션의 공간적 균일성을 보장하기 위해 $ \mathbf{z} $ 에 퍼스 모어크로프 랜덤 필드(Potts MRF) 사전분포를 사용한다.
• 이미지 데이터와 노이즈를 모델링하기 위해 조건부 분포 $ p(f_i|\mathbf{z}) $ 와 $ p(g_i|f_i) $ 를 정의함으로써 완전한 베이지안 추론를 가능하게 한다.
• 병렬 게이브스 샘플링 MCMC 알고리즘을 사용하여 $ \mathbf{f}_1, \mathbf{f}_2, \mathbf{z}, \mathbf{q}, \boldsymbol{\theta}_1, \boldsymbol{\theta}_2 $ 를 동시에 샘플링한다. 여기서 $ \mathbf{q} $ 는 초모수를 나타낸다.
• 블록 단위 샘플링을 사용하여 $ \mathbf{z} $, $ \mathbf{f}_i $, $ \mathbf{q} $ 및 초모수 $ \boldsymbol{\theta}_i $ 를 번갈아가며 업데이트함으로써 수렴성과 효율성을 향상시킨다.

실험 결과

연구 질문

• RQ1 다른 영상 모달리티에서 유도된 두 영상은 어떻게 융합하여 더 정확하고 일관성 있는 세그멘테이션을 도출할 수 있는가?
• RQ2 공통의 숨겨진 레이블 필드를 사용하여 다수의 영상 간의 공통된 구조적 특징을 최적의 방식으로 모델링할 수 있는가?
• RQ3 MCMC 샘플링을 사용하여 영상 재구성과 세그멘테이션을 효율적으로 동시에 추정할 수 있는가?
• RQ4 퍼스 MRF를 통한 공간적 스무딩을 통합함으로써 데이터 융합에서 세그멘테이션 품질은 어떻게 향상되는가?
• RQ5 제안된 방법은 별도의 처리 및 융합과 비교하여 계산 복잡도를 어느 정도 감소시키는가?

주요 결과

• 제안된 방법은 뇌 MRI 및 CT 영상 간의 융합을 성공적으로 수행하여, 원본 이미지에 존재하는 모든 주요 해부학적 경계를 포괄하는 9개의 레이블을 가진 세그멘테이션 결과를 도출하였다.
• X선 영상에서, 백스캐터링 이미지만으로는 왼쪽에 있는 권총을 구분하지 못하는 반면, 융합 방법은 명확히 두 자동차를 구분함으로써 검출 능력 향상을 입증하였다.
• 융합 모델에서 도출된 세그멘테이션 결과는 각각의 영상만 별도로 세그멘테이션한 경우보다 더 정확하고 완전한 영역 경계를 포함하고 있다.
• 융합 과정의 계산 비용은 별도의 세그멘테이션과 유사하여, 동시 추정으로 인한 복잡도 증가가 없음을 시사한다.
• 재구성된 이미지에는 눈에 띄는 향상이 없었으며, 이는 현재 모델이 픽셀 간 독립성을 가정하고 있기에 재구성 품질이 제한됨을 시사한다.
• 저자들은 $ f_i $ 에서 공간 상관관계의 부재를 핵심적 한계로 지적하며, 향후 작업으로 국소 공간적 의존성을 통합하는 것이 유망한 방향이라고 언급한다.