[논문 리뷰] A Fast Algorithm for Geodesic Active Contours with Applications to Medical Image Segmentation.

Jun Ma, Dong Wang외 2명|arXiv (Cornell University)|2020. 07. 01.

Medical Image Segmentation Techniques참고 문헌 63인용 수 7

한 줄 요약

이 논문은 의료 영상 분할을 위한 지오데식 활성 윤곽선(GAC)에서 레벨 세트 방법( LSM)의 빠르고 안정적인 대안으로 반복적 컨볼루션-임계처리 방법(ICTM)을 제안한다. 윤곽선을 암묵적으로 표현하기 위해 특성 함수를 사용함으로써, ICTM는 재초기화 또는 정규화가 필요 없는 더 단순하고 효율적인 윤곽선 표현을 가능하게 하며, LSM과 유사하거나 더 높은 분할 정확도를 달성하면서도 수십에서 수백 배 빠른 계산 속도를 제공한다. 또한 윤곽선의 위상적 변화를 지원한다.

ABSTRACT

The geodesic active contour model (GAC) is a commonly used segmentation model for medical image segmentation. The level set method (LSM) is the most popular approach for solving the model, via implicitly representing the contour by a level set function. However, the LSM suffers from high computation burden and numerical instability, requiring additional regularization terms or re-initialization techniques. In this paper, we use characteristic functions to implicitly approximate the contours, propose a new representation to the GAC and derive an efficient algorithm termed as the iterative convolution-thresholding method (ICTM). Compared to the LSM, the ICTM is simpler and much more efficient and stable. In addition, the ICTM enjoys most desired features (e.g., topological changes) of the level set-based methods. Extensive experiments, on 2D synthetic, 2D ultrasound, 3D CT, and 3D MR images for nodule, organ and lesion segmentation, demonstrate that the ICTM not only obtains comparable or even better segmentation results (compared to the LSM) but also achieves dozens or hundreds of times acceleration.

연구 동기 및 목표

• 지오데식 활성 윤곽선(GAC) 분할에서 레벨 세트 방법( LSM)의 높은 계산 비용과 수치적 불안정성 문제를 해결하기 위해.
• LSM에서 재초기화 또는 정규화가 필요 없는 더 단순하고 효율적인 윤곽선 표현 방식을 개발하기 위해.
• 레벨 세트 방법의 주요 장점인 위상 유연성은 유지하면서도 계산 효율성을 향상시키기 위해.
• 2D 및 3D 영상 모odalities에서 종양, 기관, 병변과 같은 의료 구조물의 빠르고 정확한 분할을 가능하게 하기 위해.

제안 방법

• ICTM는 윤곽선을 암묵적으로 표현하기 위해 레벨 세트 함수 대신 특성 함수를 사용함으로써, 진화 과정을 단순화한다.
• 이 방법은 부분 미분 방정식을 풀 필요 없이 반복적 컨볼루션과 임계처리를 사용하여 윤곽선을 진화시킨다.
• 특성 함수 표현을 통해 윤곽선의 위상적 변화(예: 분열 및 융합)를 암묵적으로 처리한다.
• 진화 과정은 특성 함수 프레임워크에 적합하게 조정된 지오데식 활성 윤곽선 에너지 기능에 의해 구동된다.
• 이 방법은 수치적으로 안정적이며, 일반적으로 LSM에서 요구되는 재초기화 단계가 필요 없다.
• 이 방법은 초음파, CT, MR 모달리티를 포함한 2D 및 3D 영상에 모두 적용 가능하다.

실험 결과

연구 질문

• RQ1 특성 함수 기반 표현이 지오데식 활성 윤곽선에서 레벨 세트 함수를 대체할 수 있을까? 이로 인해 분할 정확도가 유지되는가?
• RQ2 제안된 ICTM가 전통적인 레벨 세트 방법 대비 빠른 속도 향상을 달성하면서도 안정성과 정확도를 손상시키지 않을까?
• RQ3 ICTM는 레벨 세트 방법이 그러하듯 윤곽선의 위상적 변화(분열 및 융합 등)를 자연스럽게 처리할 수 있을까?
• RQ4 ICTM는 종양, 기관, 병변의 2D 및 3D 분할을 포함한 다양한 의료 영상 작업에서 어떻게 성능을 발휘할까?

주요 결과

• ICTM는 2D 합성 영상, 2D 초음파 영상, 3D CT 영상, 3D MR 영상에서 레벨 세트 방법( LSM)과 유사하거나 더 높은 분할 결과를 달성한다.
• ICTM는 LSM 대비 계산 시간을 수십 배에서 수백 배로 줄여 뚜렷한 가속 효과를 보였다.
• 추가적인 정규화 또는 재초기화 단계 없이도 수치적 안정성을 유지한다.
• ICTM는 윤곽선 분열 및 융합과 같은 위상적 변화를 성공적으로 처리하여, 레벨 세트 방법의 핵심 장점을 그대로 유지한다.
• 이 알고리즘은 종양, 기관, 병변 분할을 포함한 다양한 의료 영상 응용 분야에서 뛰어난 성능을 보였다.
• 특성 함수의 사용은 기존 레벨 세트 수식보다 더 단순하고 효율적인 진화 과정을 가능하게 하였다.