[논문 리뷰] Incorporating prior knowledge in medical image segmentation: a survey

Masoud S. Nosrati, Ghassan Hamarneh|arXiv (Cornell University)|2016. 07. 05.

Medical Image Segmentation Techniques참고 문헌 56인용 수 38

한 줄 요약

이 종합적 서베이는 사전 지식을 통합한 최적화 기반 의료 영상 분할 방법을 종합적으로 분석하며, 연속적 및 이산적 설정에서 형태, 외관, 위상, 애틀라스 모델 등의 사전 지식 유형을 분류한다. 에너지 함수의 정확성과 최적화 가능성 사이의 상충 관계를 부각하고, 볼록화 기법을 지지하며, 자동화되고 정확한 분할을 위한 지속적인 연구를 지원하기 위해 상호작용 가능한 온라인 데이터베이스를 도입한다.

ABSTRACT

Medical image segmentation, the task of partitioning an image into meaningful parts, is an important step toward automating medical image analysis and is at the crux of a variety of medical imaging applications, such as computer aided diagnosis, therapy planning and delivery, and computer aided interventions. However, the existence of noise, low contrast and objects' complexity in medical images are critical obstacles that stand in the way of achieving an ideal segmentation system. Incorporating prior knowledge into image segmentation algorithms has proven useful for obtaining more accurate and plausible results. This paper surveys the different types of prior knowledge that have been utilized in different segmentation frameworks. We focus our survey on optimization-based methods that incorporate prior information into their frameworks. We review and compare these methods in terms of the types of prior employed, the domain of formulation (continuous vs. discrete), and the optimization techniques (global vs. local). We also created an interactive online database of existing works and categorized them based on the type of prior knowledge they use. Our website is interactive so that researchers can contribute to keep the database up to date. We conclude the survey by discussing different aspects of designing an energy functional for image segmentation, open problems, and future perspectives.

연구 동기 및 목표

• 노이즈가 많고 대trast가 낮은 복잡한 구조를 가진 의료 영상에서 전통적 분할 방법의 한계를 해결하기 위해.
• 최적화 기반 분할 프레임워크에서 사용된 사전 지식 유형을 체계적으로 분류하고 비교하기 위해.
• 분할 모델에서 에너지 함수의 정확성과 최적화 가능성(예: 볼록성, 하위모듈라리티) 사이의 상충 관계를 분석하기 위해.
• 사전 지식 유형별로 분류된 분할 연구 결과를 담고 업데이트할 수 있는 상호작용 가능한 온라인 데이터베이스를 개발하고 유지보수하기 위해.
• 수작업으로 만든 사전 지식과 학습 가능한 요소를 통합하여 전역 최적, 효율적이고 아티팩트가 없는 분할을 향한 향후 연구를 이끌기 위해.

제안 방법

• 에너지 최소화 및 사후확률 최대화 추정에 초점을 맞춘 사전 지식을 통합한 최적화 기반 분할 방법을 서베이하기 위해.
• 사용자 상호작용, 외관 모델, 경계/모서리 극성, 형태 모델, 위상, 모멘트 제약, 기하학적 상호작용, 애틀라스 기반 사전 지식 등의 범주로 사전 지식을 분류하기 위해.
• 영역(연속적 대비 이산적)과 최적화 전략(전역 대비 국소)에 따라 방법을 분석하며, 볼록성과 하위모듈라리티에 중점을 두기 위해.
• 다양한 사전 지식을 하나의 에너지 기능에 모듈러하게 통합할 수 있는 프레임워크를 제안하며, 항목들의 스칼라화된 선형 조합을 사용하기 위해.
• 사전 지식 유형별로 분류된 분할 연구 결과를 기록하고 업데이트할 수 있는 상호작용 가능한 온라인 데이터베이스를 도입하기 위해.
• 모델 정확성 손실 없이 최적화 가능성 향상을 위해 볼록화 근사 기법의 필요성을 강조하기 위해.

실험 결과

연구 질문

• RQ1 의료 영상 분할의 정확성과 강건성을 향상시키는 데 가장 효과적인 사전 지식 유형은 무엇인가?
• RQ2 연속적 대비 이산적 형태의 다양한 설정과 전역 대비 국소 최적화 전략이 분할 알고리즘의 성능과 신뢰성에 어떤 영향을 미치는가?
• RQ3 에너지 함수의 정확성(모델 정확도)과 최적화 가능성(예: 볼록성, 수렴 보장) 사이의 상충 관계는 무엇인가?
• RQ4 다양한 사전 지식은 다중 목표 에너지 기능에 어떻게 체계적으로 통합될 수 있으며, 가중치 설정 전략은 어떤 역할을 하는가?
• RQ5 대규모 의료 영상에 스케일링 가능한 전역 최적, 효율적이고 아티팩트가 없는 분할 방법을 개발하는 데 있어 핵심 과제는 무엇인가?

주요 결과

• 형태, 외관, 위상, 애틀라스 모델 등의 다양한 사전 지식을 통합하면 복잡한 의료 영상에서 분할 정확도가 크게 향상된다.
• 에너지 함수의 정확성과 최적화 가능성 사이의 상충 관계는 여전히 핵심 과제이며, 비볼록성 또는 비하위모듈라리티를 가진 사전 지식은 전역 최적화를 어렵게 한다.
• 최근의 발전은 모델 정확성을 유지하면서도 전역 최적 해를 도출할 수 있도록 볼록화 근사를 선호한다.
• 그래프 기반 방법은 효과적이지만, 대규모 영상에서 격자 편향 아티팩트와 메모리 비효율성 문제를 야기하는 경우가 많다.
• 충분한 학습 데이터가 확보된 경우, 다항목 에너지 함수의 자동 가중치 학습을 위한 기계학습 통합은 가능하고 효과적이다.
• 사전 지식 유형별로 분류된 분할 연구 결과를 담은 상호작용 가능한 온라인 데이터베이스는 지속적인 연구와 커뮤니티 기반 업데이트를 지원한다.