[논문 리뷰] Convexity Shape Prior for Level Set based Image Segmentation Method

Shi Yan, Xue‐Cheng Tai외 2명|arXiv (Cornell University)|2018. 05. 22.

Medical Image Segmentation Techniques참고 문헌 29인용 수 8

한 줄 요약

이 논문은 수학적 성질인 볼록 부호거리함수(SDF)의 영수준집합이 볼록임을 활용하여 레벨셋 기반 영상 분할에 볼록성 형태 사전을 제안한다. 이 방법은 SDF에 단순한 부등식 제약 조건을 도입하여 볼록성을 강제함으로써 활성집합 기반 가우스-Seidel 반복를 통해 효율적으로 해를 구할 수 있으며, 채널-베즈와 같은 영역 기반 및 에지 기반 분할 모델 모두에서 비볼록 대비 더 뛰어난 안정성과 매끄러움을 확보하면서도 볼록성을 잘 유지한다.

ABSTRACT

We propose a geometric convexity shape prior preservation method for variational level set based image segmentation methods. Our method is built upon the fact that the level set of a convex signed distanced function must be convex. This property enables us to transfer a complicated geometrical convexity prior into a simple inequality constraint on the function. An active set based Gauss-Seidel iteration is used to handle this constrained minimization problem to get an efficient algorithm. We apply our method to region and edge based level set segmentation models including Chan-Vese (CV) model with guarantee that the segmented region will be convex. Experimental results show the effectiveness and quality of the proposed model and algorithm.

연구 동기 및 목표

• 변분 레벨셋 영상 분할 방법에서 볼록 형상 사전을 강제로 적용하는 문제를 해결하기 위해.
• 복잡한 그래프 기반 또는 고차원 PDE 설정에 의존하지 않고도 볼록 분할 결과를 보장하는 방법을 개발하기 위해.
• 기존 레벨셋 모델(예: 채널-베즈)과 호환 가능한 단순하고 효율적이며 이론적으로 타당한 볼록성 제약 조건을 제공하기 위해.
• 영역 기반 및 에지 기반 모델 모두에서 수치적 안정성과 매끄러움을 유지하면서 볼록 분할을 가능하게 하기 위해.
• 볼록 분할 작업에서 수동 초기화 또는 시드 레이블링이 필요 없도록 하기 위해.

제안 방법

• 이 방법은 볼록 SDF의 영수준집합이 볼록임을 보여주는 기하학적 성질에 기반한다. 이를 통해 SDF를 이용해 볼록성을 인코딩할 수 있다.
• 이 성질에서 유도된 단순한 부등식 제약 조건을 통해 레벨셋 함수에 직접적으로 볼록성을 강제한다.
• 제약 조건이 있는 최소화 문제를 효율적으로 해결하기 위해 활성집합 기반 가우스-Seidel 반복 기법을 사용한다.
• 볼록성 제약 조건을 채널-베즈(영역 기반) 및 에지 기반 레벨셋 모델에 모두 통합한다.
• 이전 방법들과 달리 곡률 또는 탄성 에너지 기반 방법처럼 고차원 PDE를 풀거나 보조 하위 영역을 사용하지 않는다.
• 실제 영상에 적용하여 다양한 초기화 조건과 가림 조건 하에서 테스트하였다.

실험 결과

연구 질문

• RQ1 단순한 수학적 제약 조건을 이용해 변분 레벨셋 분할에서 볼록성 형태 사전을 효과적이고 효율적으로 강제할 수 있는가?
• RQ2 복잡한 그래프 이론적 또는 고차원 PDE 설정에 의존하지 않고도 분할된 영역의 볼록성을 어떻게 보장할 수 있는가?
• RQ3 제안된 방법이 기존 레벨셋 모델(예: 채널-베즈 및 에지 기반 모델)에 원활하게 통합될 수 있는가?
• RQ4 기존의 볼록성 유지 방법과 비교해 볼 때, 제안된 방법은 분할 품질, 매끄러움, 초기화에 대한 안정성 측면에서 어떻게 성능을 발휘하는가?
• RQ5 초기화가 최종 볼록 분할 결과에 미치는 영향은 무엇이며, 부분적 또는 가려진 입력에서도 일관되게 완전한 볼록 형상을 회복할 수 있는가?

주요 결과

• 제안된 방법은 영역 기반(채널-베즈) 및 에지 기반 모델 모두에서 객체를 볼록 영역으로 성공적으로 분할하였으며, 비볼록 대비 더 매끄럽고 볼록한 결과를 보였다.
• 초기화에 관계없이 볼록성을 유지하지만, 최종 결과는 초기 곡선의 위치에 따라 달라지므로 국소 수렴을 보인다.
• 예를 들어 부분적으로 가려진 도로 표지판과 같은 가림 상황에서도, 표준 채널-베즈 분할보다 더 잘 완전한 볼록 형상을 복원하였다.
• 이전 방법들과 달리 비선형 제4차 PDE를 풀거나 보조 하위 영역을 사용하지 않아 알고리즘이 효율적이다.
• 수동 시드 레이블링이 필요 없으며, 다양한 자연 영상에서 일관된 볼록 결과를 생성한다.
• 정량적 비교 결과, 제안된 볼록 사전 모델은 특히 볼록 기하학을 유지하는 데서 표준 모델보다 더 정확하고 매끄러운 분할 윤곽을 생성함을 확인하였다.