[論文レビュー] A Hidden Markov model for Bayesian data fusion of multivariate signals

Olivier Féron, Ali Mohammad‐Djafari|ArXiv.org|Mar 31, 2004

Anomaly Detection Techniques and Applications参考文献 12被引用数 6

ひとこと要約

本稿では、共通のセグメンテーションラベルフィールドをポッツマルコフ確率場でモデル化した隠れマルコフモデル（HMM）を用いたベイジアンデータ統合フレームワークを提案する。この手法は、MCMCアルゴリズムを用いて2つの観測画像と共有されたセグメンテーション画像を同時に推定し、MRI/CTおよびX線透過/バックスキャッタリング画像からの補完的情報を統合することで、計算複雑性を増加させることなくセグメンテーション精度を向上させる。

ABSTRACT

In this work we propose a Bayesian framework for data fusion of multivariate signals which arises in imaging systems. More specifically, we consider the case where we have observed two images of the same object through two different imaging processes. The objective of this work is then to propose a coherent approach to combine these data sets to obtain a segmented image which can be considered as the fusion result of these two images. The proposed approach is based on a Hidden Markov Modeling (HMM) of the images with common segmentation, or equivalently, with common hidden classification label variables which is modeled by the Potts Markov Random Field. We propose then an appropriate Markov Chain Monte Carlo (MCMC) algorithm to implement the method and show some simulation results and applications.

研究の動機と目的

• 複数の画像モodalからの多変量信号を統合する整合的なベイジアンフレームワークの構築。
• 共通の隠れ分類変数を用いて2つの画像間の共通の画像セグメンテーションをモデル化。
• MCMCサンプリングを用いて元の画像と統合済みのセグメンテーション表現を同時に推定。
• 異なる画像プロセスからの補完的情報を活用することで、セグメンテーション性能の向上。
• 統合と再構成を同時に実行することで、計算複雑性の低減。

提案手法

• 2つの観測画像 $ g_1 $ と $ g_2 $ を、それぞれの下位画像 $ f_1 $ と $ f_2 $ の加法的ガウスノイズ版としてモデル化。
• 両方の画像に共通するセグメンテーションを表す隠れラベルフィールド $ \mathbf{z} \in \{1,\dots,K\}^S $ を導入。
• セグメンテーションの空間的均一性を強制するために、$ \mathbf{z} $ にポッツマルコフ確率場の事前分布を適用。
• 画像データとノイズをモデル化するための条件付き分布 $ p(f_i|\mathbf{z}) $ と $ p(g_i|f_i) $ を定義し、完全なベイジアン推論を可能にする。
• 並列ギブスサンプリングMCMCアルゴリズムを用いて、$ \mathbf{f}_1, \mathbf{f}_2, \mathbf{z}, \mathbf{q}, \boldsymbol{\theta}_1, \boldsymbol{\theta}_2 $ を同時にサンプリングする。ここで $ \mathbf{q} $ はハイパーパrameterを表す。
• ブロックワイズサンプリングを用い、$ \mathbf{z} $、$ \mathbf{f}_i $、$ \mathbf{q} $、およびハイパーパrameter $ \boldsymbol{\theta}_i $ を交互に更新することで、収束性と効率性を向上。

実験結果

リサーチクエスチョン

• RQ1 異なる画像モダリティからの2つの画像をどのように統合すれば、より正確で整合性のあるセグメンテーションが得られるか？
• RQ2 共通の隠れラベルフィールドを用いて、複数の画像間の共通の構造的特徴を最適にモデル化する方法は何か？
• RQ3 MCMCサンプリングを用いて、画像再構成とセグメンテーションの同時推定を効率的に達成できるか？
• RQ4 ポッツMRFによる空間的滑らかさの組み込みが、データ統合におけるセグメンテーション品質にどのように寄与するか？
• RQ5 別個処理と統合を比較した場合、提案手法は計算複雑性をどの程度低減するか？

主な発見

• 提案手法は、MRIとCTによる脳画像を効果的に統合し、9つのラベルを有するセグメンテーション結果を生成した。この結果は、両方の元画像に存在する主な解剖学的境界を捉えている。
• X線イメージングでは、バックスキャッタリング画像単体では左側の銃を特定できなかったが、統合手法により両方の銃が明確に区別され、検出能力の向上が確認された。
• 統合モデルからのセグメンテーション結果は、個別にセグメンテーションを実行した場合よりも、より正確で完全な領域境界を含んでいた。
• 統合プロセスの計算コストは、独立したセグメンテーションと同等であり、同時推定による複雑性の増加は顕著ではなかった。
• 再構成画像には明確な改善が見られず、現在のモデルがピクセル値の独立性を仮定していることが原因で、再構成品質に限界があると示唆された。
• 著者らは、$ f_i $ における空間相関の欠如が主な制限要因であると特定し、今後の研究として局所的な空間的依存性を組み込むことが有望な方向性であると指摘した。