[논문 리뷰] The Chan-Vese Algorithm

Rami Cohen|arXiv (Cornell University)|2011. 07. 14.

Medical Image Segmentation Techniques참고 문헌 6인용 수 5

한 줄 요약

이 논문은 에지 정보에 의존하지 않고 이미지 분할을 수행하는 레벨셋 기반 활성 윤곽 방법인 Chan-Vese 알고리즘을 제시한다. 이 알고리즘은 머무드-샤르 유사 에너지 기능을 최소화하여 강한 에지가 없거나 강도가 비균일한 이미지에서도 견고한 분할을 가능하게 한다. 특히 의료 영상에서 매우 효과적이며, 실용적 응용을 위한 완전한 MATLAB 구현이 포함되어 있다.

ABSTRACT

Segmentation is the process of partitioning a digital image into multiple segments (sets of pixels). Such common segmentation tasks including segmenting written text or segmenting tumors from healthy brain tissue in an MRI image, etc. Chan-Vese model for active contours is a powerful and flexible method which is able to segment many types of images, including some that would be quite difficult to segment in means of "classical" segmentation - i.e., using thresholding or gradient based methods. This model is based on the Mumford-Shah functional for segmentation, and is used widely in the medical imaging field, especially for the segmentation of the brain, heart and trachea. The model is based on an energy minimization problem, which can be reformulated in the level set formulation, leading to an easier way to solve the problem. In this project, the model will be presented (there is an extension to color (vector-valued) images, but it will not be considered here), and Matlab code that implements it will be introduced.

연구 동기 및 목표

• 기존의 임계값 설정 및 기울기 기반 분할 방법에 비해 강력한 대안으로서 Chan-Vese 알고리즘을 제시하는 것.
• 약하거나 균일하지 않은 에지가 있는 이미지에서 머무드-샤르 분할 문제를 해결하는 데 레벨셋 표현이 가지는 이점을 보여주는 것.
• 컴퓨터 시각 및 의료 영상 분야의 연구자와 전문가들이 사용할 수 있도록 알고리즘에 대한 실용적인 MATLAB 구현을 제공하는 것.
• 뇌, 심장, 기관지와 같은 복잡한 해부학적 구조를 MRI 및 기타 의료 영상에서 분할하는 데서 알고리즘이 유용한 점을 부각하는 것.
• 해당 방법의 기초 수학적 수식과 수치적 구현에 대한 명확하고 접근하기 쉬운 설명을 제공하는 것.

제안 방법

• 이 방법은 강도가 조각별로 일정한 영역으로 나뉘는 이미지를 분할하는 머무드-샤르 기능에 기반한다.
• 에너지 최소화 문제는 윤곽의 변화 동안의 위상 변화를 처리할 수 있도록 레벨셋 방법을 사용하여 재구성된다.
• 레벨셋 함수는 에너지 기능의 오일러-라그랑주 방정식에서 유도된 편미분방정식(PDE)에 따라 진화한다.
• 알고리즘은 레벨셋 함수 갱신과 윤곽 내외의 평균 강도 추정을 번갈아가며 수행한다.
• 레벨셋의 영점 근처의 좁은 영역만 갱신함으로써 계산 효율성을 높이기 위해 노우드 밴드 방법을 사용한다.
• 초기화, PDE 해법, 윤곽 진화 단계를 포함한 MATLAB 구현이 제공되어 재현이 용이하다.

실험 결과

연구 질문

• RQ1 강한 에지나 강도 기울기가 없는 상황에서 어떻게 이미지 분할을 달성할 수 있는가?
• RQ2 위상 변화를 다룰 때 전통적인 활성 윤곽 모델에 비해 레벨셋 표현이 가지는 이점은 무엇인가?
• RQ3 MRI 스캔과 같은 강도 비균일성이 있는 의료 영상에서 Chan-Vese 모델은 어떻게 성능을 발휘하는가?
• RQ4 실용적인 이미지 분할을 위해 레벨셋 접근법을 사용하여 머무드-샤르 기능을 효과적으로 최소화할 수 있는가?
• RQ5 평균 강도 추정은 활성 윤곽의 진화 과정에서 어떤 역할을 하는가?

주요 결과

• Chan-Vese 알고리즘은 의료 영상 스캔에서 흔한 강도 비균일성으로 인해 강한 에지가 없거나 약한 이미지에서도 성공적으로 분할을 수행한다.
• 레벨셋 표현은 윤곽이 매끄럽게 진화하고 분할 및 융합과 같은 위상 변화를 자연스럽게 처리할 수 있도록 한다.
• 뇌, 심장, 기관지와 같은 복잡한 해부학적 구조의 정확한 분할을 달성하였으며, 의료 영상 분야에서 검증되었다.
• 제공된 MATLAB 구현은 다양한 이미지 분할 작업에 대한 간편한 적용과 변형을 가능하게 한다.
• 에지 검출이 실패하는 도전적인 이미지에서 기존의 임계값 설정 및 기울기 기반 방법보다 알고리즘이 뛰어난 성능을 발휘한다.