[논문 리뷰] Feature Selection based on PCA and PSO for Multimodal Medical Image Fusion using DTCWT

K Padmavathi, Mahima Bhat외 1명|arXiv (Cornell University)|2017. 01. 31.

Advanced Image Fusion Techniques참고 문헌 8인용 수 6

한 줄 요약

이 논문은 이중수목 복소 웨이브릿 변환(Dual-Tree Complex Wavelet Transform, DTCWT)을 사용한 새로운 다중모odal 의료 영상 융합 프레임워크를 제안한다. 여기에 주성분 분석(Principal Component Analysis, PCA)과 입자 군집 최적화(PSO)를 통한 특징 선택 기법을 결합하였다. 입력 영상을 저주파수 및 고주파수 성분으로 분해하고, 계수에 융합 규칙을 적용한 후 융합된 영상을 재구성한다. DTCWT-PCA 방법은 DTCWT-PSO에 비해 더 뛰어난 성능을 보이며, SSIM 및 CC 측정치에서 뛰어난 성능을 보이며, 계산 시간과 특징 벡터 크기가 감소하여 더 높은 강건성과 효율성을 입증한다.

ABSTRACT

Multimodal medical image fusion helps to increase efficiency in medical diagnosis. This paper presents multimodal medical image fusion by selecting relevant features using Principle Component Analysis (PCA) and Particle Swarm Optimization techniques (PSO). DTCWT is used for decomposition of the images into low and high frequency coefficients. Fusion rules such as combination of minimum, maximum and simple averaging are applied to approximate and detailed coefficients. The fused image is reconstructed by inverse DTCWT. Performance metrics are evaluated and it shows that DTCWT-PCA performs better than DTCWT-PSO in terms of Structural Similarity Index Measure (SSIM) and Cross Correlation (CC). Computation time and feature vector size is reduced in DTCWT-PCA compared to DTCWT-PSO for feature selection which proves robustness and storage capacity.

연구 동기 및 목표

• 다중모달 의료 영상 융합의 품질을 향상시켜 진단 정확도를 향상시키기.
• 영상 융합 파이프라인에서 계산 복잡도와 특징 벡터 크기를 줄이기.
• DTCWT 기반 융합에서 PCA와 PSO의 특징 선택 성능을 평가하고 비교하기.
• 최소, 최대, 평균화 전략을 사용하여 DTCWT 계수의 저주파수 및 고주파수 성분에 대한 융합 규칙을 최적화하기.
• 제안된 DTCWT-PCA 접근법의 강건성과 저장 효율성을 입증하기.

제안 방법

• 다중모달 의료 영상은 이중수목 복소 웨이브릿 변환(Dual-Tree Complex Wavelet Transform, DTCWT)을 적용하여 저주파수 및 고주파수 대역으로 분해된다.
• DTCWT 계수를 대상으로 주성분 분석(Principal Component Analysis, PCA)과 입자 군집 최적화(PSO)를 사용하여 특징 선택이 수행된다.
• 융합 규칙인 최소값, 최대값, 단순 평균화가 각각 근사(저주파수) 및 세부 정보(고주파수) 계수에 별도로 적용된다.
• 결합된 계수 세트를 사용하여 역 DTCWT를 통해 융합 영상을 재구성한다.
• 성능 평가에는 구조적 유사도 지수 측정법(Structural Similarity Index Measure, SSIM)과 상관관계(Cross-Correlation, CC)가 사용된다.
• 효율성과 저장 용량 영향을 평가하기 위해 계산 시간과 특징 벡터 크기를 측정한다.

실험 결과

연구 질문

• RQ1 PCA 기반 특징 선택이 PSO 기반 특징 선택에 비해 융합 영상 품질 측면에서 어떻게 비교되는가?
• RQ2 DTCWT-PCA와 DTCWT-PSO가 구조적 유사도(SSIM) 및 상관관계(CC) 지표에 미치는 영향은 무엇인가?
• RQ3 DTCWT-PCA와 DTCWT-PSO 간의 계산 시간과 특징 벡터 크기는 융합 파이프라인에서 어떻게 다름이 있는가?
• RQ4 저주파수 및 고주파수 DTCWT 계수에 대해 최소값, 최대값, 평균값 조합 중 어떤 융합 규칙 조합이 가장 뛰어난 성능을 낼 수 있는가?
• RQ5 제안된 방법이 의료 영상 융합에서 강건성과 저장 효율성을 얼마나 향상시키는가?

주요 결과

• DTCWT-PCA는 DTCWT-PSO보다 더 높은 구조적 유사도 지수 측정법(SSIM)을 달성하여 융합 영상에서 구조적 정보의 보존 정도가 뛰어나다는 것을 시사한다.
• DTCWT-PCA는 더 높은 상관관계(CC) 값을 기록하여 융합 영상과 기준 영상 간의 유사도가 높다는 것을 나타낸다.
• DTCWT-PCA는 DTCWT-PSO에 비해 계산 시간이 크게 단축되어 처리 효율성이 향상된다.
• DTCWT-PCA는 특징 벡터 크기가 더 작아, 저장 용량 향상과 데이터 오버헤드 감소를 보여준다.
• DTCWT-PCA 방법은 다중모달 의료 영상 융합에서 DTCWT-PSO에 비해 더 강건하고 효율적임을 입증한다.
• DTCWT와 PCA 기반 특징 선택의 조합은 영상 품질, 속도, 자원 사용량 사이의 균형 잡힌 트레이드오프를 제공한다.