[논문 리뷰] Heat Kernel Smoothing in Irregular Image Domains

Moo K. Chung, Yanli Wang외 1명|arXiv (Cornell University)|2017. 10. 21.

Medical Image Segmentation Techniques참고 문헌 7인용 수 3

한 줄 요약

이 논문은 비정규 3D 영상 도메인의 그래프 구조 데이터에 대해 이산 열핵 스무딩 방법을 제안한다. 그래프 라플라시안을 사용하여 노이즈를 줄이고 기하학적 구조를 유지하면서 해석적으로 스무딩 커널을 구성한다. 이 방법은 고해상도 재샘플링 및 CT 스캔에서 폐 혈관 수액의 스켈레톤화를 가능하게 하며, 분산 감소 및 영역별 평균으로의 수렴에 대한 이론적 보장을 제공한다.

ABSTRACT

We present the discrete version of heat kernel smoothing on graph data structure. The method is used to smooth data in an irregularly shaped domains in 3D images. New statistical properties are derived. As an application, we show how to filter out data in the lung blood vessel trees obtained from computed tomography. The method can be further used in representing the complex vessel trees parametrically and extracting the skeleton representation of the trees.

연구 동기 및 목표

• 비정규 형태의 3D 의료 영상 도메인에 대한 이산 열핵 스무딩 프레임워크를 개발하는 것.
• 특히 분산 감소 및 노이즈의 확률적 행동과 같은 열핵 스무딩의 새로운 통계적 성질을 유도하는 것.
• 복잡한 혈관 구조, 예를 들어 폐 혈관 수액의 고해상도 재샘플링 및 매개변수 표현을 가능하게 하는 것.
• 그래프 기반 데이터 스무딩에서 반복적 가우시안 커널 근사 대신 해석적 대안을 제공하는 것.
• 이 방법이 CT 데이터에서 혈관 수액의 스켈레톤 표현을 추출하는 데의 유용성을 입증하는 것.

제안 방법

• 이 방법은 그래프 라플라시안을 사용하여 스펙트럼 분해를 통해 이산 열핵을 정의한다: $ K_{\sigma} = \Psi e^{-\sigma \Lambda} \Psi^\top $, 여기서 $ \Psi $ 는 라플라시안의 고유벡터를, $ \Lambda $ 는 고유값을 포함한다.
• 열핵은 컨볼루션 연산자로 적용된다: $ K_{\sigma} * f $, 여기서 $ f $ 는 그래프 노드에 정의된 데이터 벡터이며, 스펙트럼 필터링을 통해 스무딩이 가능하다.
• 커널은 이중 스토케스틱성(doubly stochastic)이며, $ K_{\sigma} \mathbf{1} = \mathbf{1} $ 를 보장하고, 이는 이웃 노드들 사이의 확률 분포로 작용한다.
• 스케일 스페이스 성질 $ K_{\sigma} K_{\tau} = K_{\sigma + \tau} $ 을 활용하여 다중 대역폭에서 스무딩을 해석적으로 모델링한다.
• 스켈레톤화를 위해, $ \sigma = 1 $ 스무딩 후 노드 좌표를 가장 가까운 정수로 반올림하고, 스케일링을 적용하여 더 얇은 표현을 얻는다.
• 3D 영상 볼륨은 18연결 밴드(voxel neighborhoods)를 사용하여 3D 그래프로 변환되며, 인접 행렬이 그래프 라플라시안을 정의한다.

실험 결과

연구 질문

• RQ1 비정규 3D 영상 도메인에 대해 이산 그래프 설정에서 열핵 스무딩을 어떻게 공식화할 수 있는가?
• RQ2 이산 열핵 스무딩에 대해 분산 감소 및 노이즈 행동과 같은 통계적 성질을 엄밀하게 도출할 수 있는가?
• RQ3 이 방법은 복잡한 혈관 구조, 예를 들어 폐 혈관 수액의 고해상도 재샘플링 및 매개변수 표현을 가능하게 할 수 있는가?
• RQ4 그래프의 분리된 구성 요소에서 열핵 스무딩이 어떻게 평균 값으로 수렴하는가?
• RQ5 이 방법을 사용하여 사전 분할 또는 명시적 스켈레톤화 알고리즘 없이 혈관 수액의 스켈레톤 표현을 추출할 수 있는가?

주요 결과

• 정리 2에 의해 증명된 바와 같이, 열핵 스무딩은 노이즈가 있는 데이터의 분산을 감소시킨다. 즉, 모든 노드 $ j $ 에 대해 $ \mathbb{V}(K_{\sigma} * f)_j \leq \mathbb{V}f_j $ 를 만족한다.
• 단, $ \sigma = 0 $ 일 때 스무딩 커널은 항등행렬이며, $ \sigma = \infty $ 일 때는 랭크-1 행렬 $ \mathbf{1} \mathbf{1}^\top / p $ 으로 수렴하여 전역 평균을 나타낸다.
• 그래프의 분리된 구성 요소는 스무딩 과정에서 각각 고유한 평균 값으로 수렴한다. 이는 $ \sigma = 10000 $ 에서조차도 균일하지 않은 색상 영역으로 확인된다.
• 단, $ \sigma = 1 $ 과 6000개의 고유벡터를 사용하여 이 방법은 이진 혈관 분할 영역을 원래 해상도의 2배, 4배, 6배로 성공적으로 업샘플링하였으며, 점점 더 얇은 스켈레톤 유사 표현을 생성하였다.
• 스켈레톤 표현은 스무딩된 좌표를 반올림하여 확보되었으며, 스케일링을 2배, 4배, 6배로 적용함으로써 더 얇은 수액을 얻었고, 이는 새로운 매개변수 재구성 방법을 보여준다.
• 이 방법은 $ p = 6615 $ 개의 노드를 가진 3D 그래프에서 안정적이고 해석적으로 접근 가능한 스무딩을 달성하였으며, 대규모 고유분해를 위해 암묵적으로 재시작된 아르니드 방법(implicitly restarted Arnoldi method)을 사용하였다.