[논문 리뷰] A Local Active Contour Model for Image Segmentation with Intensity Inhomogeneity

Kaihua Zhang, Lei Zhang외 2명|arXiv (Cornell University)|2013. 05. 30.

Medical Image Segmentation Techniques참고 문헌 36인용 수 24

한 줄 요약

이 논문은 강한 강성 분포를 가진 물체 강도를 더 잘 분리할 수 있도록 이미지를 이동 윈도우를 통해 변환함으로써 강도 비균일성 하에서의 영상 분할 문제를 해결하는 국소적 활성 윤곽 모델을 제안한다. 적응적으로 편향 필드를 추정하고 통계적 에너지 기능을 최소화함으로써, 합성 영상과 실제 영상에서 높은 정확도와 강건성을 확보한 분할을 달성하며, 최신 기술보다도 뛰어난 성능을 발휘한다.

ABSTRACT

A novel locally statistical active contour model (ACM) for image segmentation in the presence of intensity inhomogeneity is presented in this paper. The inhomogeneous objects are modeled as Gaussian distributions of different means and variances, and a moving window is used to map the original image into another domain, where the intensity distributions of inhomogeneous objects are still Gaussian but are better separated. The means of the Gaussian distributions in the transformed domain can be adaptively estimated by multiplying a bias field with the original signal within the window. A statistical energy functional is then defined for each local region, which combines the bias field, the level set function, and the constant approximating the true signal of the corresponding object. Experiments on both synthetic and real images demonstrate the superiority of our proposed algorithm to state-of-the-art and representative methods.

연구 동기 및 목표

• 강도 비균일성이 존재하는 상황에서, 물체 강도가 공간적으로 변할 때 발생하는 영상 분할 과제를 해결하기 위해.
• 특히 의료 영상과 자연 영상에서 비균일한 강도 분포를 가진 영역에서 분할 정확도를 향상시키기 위해.
• 이동 윈도우 프레임워크 내에서 적응적으로 편향 필드와 국소 통계를 추정하는 국소적 활성 윤곽 모델을 개발하기 위해.
• 복잡한 강도 비균일성을 처리하는 데 있어 기존의 전역 및 국소 활성 윤곽 모델보다 우수한 성능을 내기 위해.

제안 방법

• 이미지에 이동 윈도우를 적용하여 국소적으로 강도 통계를 추정함으로써, 원본 이미지를 강도 분포가 더 잘 분리된 도메인으로 변환한다.
• 객체는 변환된 도메인에서 서로 다른 평균과 분산을 가진 가우시안 분포로 모델링되어 국소 통계 분석이 가능해진다.
• 각 윈도우 내에서 원본 신호와 편향 필드를 곱하여 편향 필드를 적응적으로 추정함으로써 국소 강도 근사치를 향상시킨다.
• 국소 영역마다 통계적 에너지 기능을 정의하며, 이는 편향 필드, 레벨셋 함수, 진짜 물체 신호의 상수 근사치를 포함한다.
• 에너지 기능은 레벨셋 진화 기반의 최적화 방법을 사용하여 최소화되어 활성 윤곽이 물체 경계로 진화하도록 한다.
• 국소 정보를 활용함으로써 강도 비균일성이 심한 영역에서 분할의 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 강도 비균일성이 있는 영상에서 국소 통계 정보를 효과적으로 활용하여 분할 성능을 향상시킬 수 있는가?
• RQ2 이동 윈도우 프레임워크 내에서 편향 필드 추정 전략이 물체 강도의 분리를 향상시킬 수 있는가?
• RQ3 제안된 국소 활성 윤곽 모델은 전역 및 기존의 국소 모델 대비 복잡한 강도 변동을 다룰 때 어떻게 성능을 발휘하는가?
• RQ4 국소 가우시안 모델 기반의 통계적 에너지 기능 사용이 분할 정확도에 어떤 영향을 미치는가?
• RQ5 이 방법은 강도 분포나 전역 영상 통계에 대한 사전 지식 없이도 강건한 분할을 달성할 수 있는가?

주요 결과

• 통제된 강도 비균일성이 있는 합성 영상에서 제안된 방법은 최신 기술보다 뛰어난 분할 결과를 도출한다.
• 실제 의료 영상에서는 뇌 조직 등 강도 비균일성이 뚜렷한 T1-가중 MRI 스캔에서도 물체를 성공적으로 분할한다.
• 국소 통계 모델링과 적응적인 편향 필드 추정 덕분에 노이즈와 복잡한 배경 변화에 대해 뛰어난 강건성을 보인다.
• 정량적 평가 결과, 경쟁 방법 대비 개선된 Dice 유사도 계수와 감소된 경계 이격도를 확인하였다.
• 이동 윈도우와 국소 에너지 기능의 사용 덕분에 강도가 급격히 변하는 영역에서도 정확한 윤곽 진화가 가능하다.
• 알고리즘은 안정적이고 효율적으로 수렴하며, 초기화에 대해 거의 민감하지 않음을 다양한 테스트 케이스를 통해 검증하였다.