[논문 리뷰] Convex Shape Priors for Level Set Representation

Shousheng Luo, Xue‐Cheng Tai|arXiv (Cornell University)|2018. 11. 12.

Medical Image Segmentation Techniques참고 문헌 25인용 수 6

한 줄 요약

이 논문은 서피스 거리 함수(SDF)의 라플라시안이 음이 아닌 조건을 유도함으로써 레벨셋 기반 영상 분할에 대한 볼록형태 사전을 제안한다. 이 방법은 분할 정확도를 크게 향상시키기 위해 분할 알고리즘에 이 볼록성 제약 조건을 통합하며, 저대비, 부분적 가림, 비균일 밝기 영상에서 랜드마크 기반 사전과 함께 사용될 경우 특히 유의미한 성능 향상을 보인다.

ABSTRACT

For many applications, we need to use techniques to represent convex shapes and objects. In this work, we use level set method to represent shapes and find a necessary and sufficient condition on the level set function to guarantee the convexity of the represented shapes. We take image segmentation as an example to apply our technique. Numerical algorithm is developed to solve the variational model. In order to improve the performance of segmentation for complex images, we also incorporate landmarks into the model. One option is to specify points that the object boundary must contain. Another option is to specify points that the foreground (the object) and the background must contain. Numerical experiments on different images validate the efficiency of the proposed models and algorithms. We want to emphasize that the proposed technique could be used for general shape optimization with convex shape prior. For other applications, the numerical algorithms need to be extended and modified.

연구 동기 및 목표

• 영상 분할에서 레벨셋 표현에 대한 수학적으로 엄밀한 볼록형태 사전을 개발하기 위해.
• 저대비, 부분적 가림, 비균일 밝기 영상에서 강건한 분할을 위해 강건한 형태 사전을 도입함으로써 강도 기반 분할의 한계를 보완하기 위해.
• 레벨셋 함수에 대한 필수 및 충분 조건을 통해 분할된 객체의 볼록성을 보장하기 위해.
• 객체 또는 배경 랜드마크 점을 볼록성 제약 조건이 포함된 모델에 통합함으로써 분할 정확도를 향상시키기 위해.
• 연산자 분할 기법을 활용한 효율적인 수치 알고리즘을 설계하기 위해.

제안 방법

• 기하 분석을 통해 형태의 볼록성과 서피스 거리 함수(SDF)의 라플라시안이 음이 아닌 조건 간의 등가성을 유도한다.
• φ가 레벨셋 함수(SDF)일 때 Δφ ≥ 0 조건을 통해 볼록성 제약 조건을 도입함으로써 모든 하위레벨셋이 볼록함을 보장한다.
• 가우시안 혼합 모델(GMM)-기반 영역력과 볼록성, 랜드마크 제약 조건을 통합한 변분 모델을 개발한다.
• 두 가지 랜드마크 기반 공식화를 도입한다: 하나는 경계가 지정된 점을 통과하도록 요구하고, 다른 하나는 전경/배경 점들이 봉쇄되어야 함을 요구한다.
• 계산 효율성을 확보하기 위해 증강 라그랑주 방법과 교차 방향 스킴 다이내믹스(ADMM)를 활용해 유도된 제약 최적화 문제를 해결한다.
• 계산 비용을 줄이면서도 정확도를 유지하기 위해 부분영역 기반 볼록성 제약 조건을 적용한다.

실험 결과

연구 질문

• RQ1 레벨셋 함수에 대해 어떤 조건이 표현된 형태의 볼록성을 보장하는가?
• RQ2 학습 데이터에 의존하지 않고도 레벨셋 기반 영상 분할 프레임워크에서 볼록성을 효과적으로 강제할 수 있는가?
• RQ3 어려운 영상 조건에서 볼록성 사전과 함께 랜드마크 제약 조건이 분할 성능을 향상시킬 수 있는가?
• RQ4 저대비 또는 부분적 가림이 있는 영상에서 제안된 볼록성 제약 조건은 기존 방법에 비해 수렴성과 정확도 측면에서 어떻게 비교되는가?
• RQ5 랜드마크 기반 볼록성 제약 조건을 사용할 경우 초기 곡선의 위치가 수렴에 어떤 영향을 미치는가?

주요 결과

• 논문은 형태가 볼록임이 그 서피스 거리 함수(SDF)의 라플라시안이 음이 아닌 것과 동치임을 증명함으로써 볼록형태 사전에 대한 엄밀한 수학적 기반을 제공한다.
• 수치 실험 결과, 제안된 GMMLC(GMM + 랜드마크 + 볼록성) 모델이 저대비 및 비균일 밝기 영상과 같은 복잡한 영상에서도 정확한 분할을 달성함을 보여준다.
• 강도 대비가 극히 낮은 경우에도 펜타곤, 색석, 인디언 문양 등 다양한 객체를 성공적으로 분할하며, 볼록성 제약 조건이 없는 모델보다 뛰어난 성능을 보인다.
• 랜드마크 통합은 수렴성과 정확도를 크게 향상시키며, 특히 초기 곡선이 랜드마크를 포함하지 않을 경우에 더 유의미한 성능 향상을 보인다.
• RPC(볼록성과 랜드마크 포함) 모델은 심한 가림과 저대비 조건에서도 정확한 분할 결과를 도출하지만, 동일한 랜드마크 입력을 사용하더라도 볼록성 제약 없이 설계된 RP 모델은 실패한다.
• 랜드마크가 초기 곡선 외부에 위치하도록 선택할 경우, 볼록성과 랜드마크 제약 조건이 일관되게 적용되므로 알고리즘이 높은 수렴 속도를 보인다.