[논문 리뷰] Image Segmentation by Size-Dependent Single Linkage Clustering of a Watershed Basin Graph

Aleksandar Zlateski, H. Sebastian Seung|arXiv (Cornell University)|2015. 05. 01.

Medical Image Segmentation Techniques참고 문헌 8인용 수 46

한 줄 요약

이 논문은 3D 전자현미경 이미지에서 과분할을 줄이기 위해 수영장 기반 과분할과 크기 의존성 단일 연결 군집화를 조합한 준선형 시간 계층적 영상 분할 방법을 제안한다. 단일 연결 군집화를 수정하여 분할 크기의 사전 지식을 통합함으로써, 최소한의 융합 오차로 뛰어난 분할 정확도를 달성하였으며, 기준 신경 이미지 데이터셋에서 기존 방법들을 능가한다.

ABSTRACT

We present a method for hierarchical image segmentation that defines a disaffinity graph on the image, over-segments it into watershed basins, defines a new graph on the basins, and then merges basins with a modified, size-dependent version of single linkage clustering. The quasilinear runtime of the method makes it suitable for segmenting large images. We illustrate the method on the challenging problem of segmenting 3D electron microscopic brain images.

연구 동기 및 목표

• 표준 워터셰 변환에 의해 유도되는 3D 전자현미경 뇌 영상에서 심각한 과분할 문제를 해결하기 위해.
• 크기 의존성 융합 기준을 사용하는 단일 연결 군집화를 활용해 계층적으로 워터셰 기슭을 융합하는 후처리 방법을 개발하기 위해.
• 준선형 실행 시간을 확보하면서 테라스케일 3D 영상의 효율적이고 확장 가능한 분할을 가능하게 하기 위해.
• 군집화 과정에 진짜 분할 크기의 사전 지식을 통합함으로써 분할 정확도를 향상시키기 위해.
• 어려운 신경 이미지 데이터셋에서 기존 최첨단 방법들과 유사한 계산 복잡도를 유지하면서도 뛰어난 성능을 달성하기 위해.

제안 방법

• 낮은 간선 가중치가 병렬 볼륨의 유사도를 높게 나타내는 비유사성 그래프에서 시작한다.
• 기울기 내림 최적화 워터셰 변환을 적용하여 일관된 플랫폼 및 경계 정점 처리 방식을 사용해 과분할을 수행한다.
• 기존 그래프에서 기슭 간의 최소 간선 가중치를 기반으로 기슭에 대한 새로운 그래프를 구성한다.
• 단일 연결 군집화를 이 기슭 그래프에 적용하지만, 최소 크기 이하의 클러스터는 융합을 방지하는 크기 의존성 조건을 수정하여 적용한다.
• 융합 임계값을 분할 크기와 간선 유사도에 따라 조정하는 함수 ω(w)를 사용하여 크기 인식 융합을 보장한다.
• 알고리즘은 간선을 비감소 가중치 순서로 처리하고, 유니온-파인드 자료구조를 사용하여 클러스터를 유지함으로써 준선형 시간 복잡도를 달성한다.

실험 결과

연구 질문

• RQ1 크기 의존성 단일 연결 군집화 전략은 과분할를 줄이기 위해 과도한 융합 오차를 유발하지 않고도 워터셰 기반 영상 분할에서 과분할를 감소시킬 수 있는가?
• RQ2 기대되는 분할 크기의 사전 지식을 통합할 경우 3D 전자현미경에서 분할 정확도에 어떤 영향을 미치는가?
• RQ3 제안된 방법은 기존 준선형 방법들과 유사한 계산 복잡도를 유지하면서도 뛰어난 성능을 달성할 수 있는가?
• RQ4 비유사성 그래프를 임계값 처리하여 사전 처리하는 것이 최종 분할 품질에 얼마나 기여하는가?
• RQ5 신경 이미지 데이터에서 Felzenszwalb 등 [5]의 최첨단 방법과 비교할 때, 분할 및 융합 오차 측면에서 본 방법은 어느 정도 우월한가?

주요 결과

• 제안된 방법은 Felzenszwalb 등 [5]의 방법보다 높은 분할 및 융합 점수를 기록하여 더 적은 분할 오차를 나타냈다.
• ω(w) = 3000(1−w)일 경우, 그림 4(b)에 나타나 있듯이 인간 전문가의 기준값과 매우 유사한 분할 결과를 도출하였다.
• 표준 워터셰 및 사전 처리된 워터셰에 비해 과분할를 크게 감소시켰으며, 거의 모든 융합 오차 없이 수행되었다.
• 논문 [5]의 매개변수 k를 제안된 방법의 융합 수와 일치하도록 조정했을 때, 많은 분할 오차가 발생하여 크기 의존성 접근의 우수성을 입증하였다.
• 준선형 실행 시간 덕분에, 256³ 데이터셋과 같은 대규모 3D 전자현미경 이미지 분할에 적합하다.
• 군집 크기가 집합 단계 동안 단조롭게 증가하므로, 크기 의존성 군집 조건은 효율적으로 구현되었으며, 빠른 유니온-파인드 연산이 가능했다.