[论文解读] A Simple Method to improve Initialization Robustness for Active Contours driven by Local Region Fitting Energy

Keyan Ding, Xiao, Linfang|arXiv (Cornell University)|Feb 28, 2018

Medical Image Segmentation Techniques参考文献 9被引用 9

一句话总结

本文提出了一种简单但有效的方法，通过基于局部区域拟合能量的主动轮廓模型来增强初始化的鲁棒性。通过在演化过程中交换轮廓两侧的拟合值，该方法确保内部和外部区域的值始终保持一致的顺序，从而降低陷入局部极小值的风险，并提高在各种初始条件下分割结果的可靠性。

ABSTRACT

Active contour models based on local region fitting energy can segment images with intensity inhomogeneity effectively, but their segmentation results are easy to error if the initial contour is inappropriate. In this paper, we present a simple and universal method of improving the robustness of initial contour for these local fitting-based models. The core idea of proposed method is exchanging the fitting values on the two sides of contour, so that the fitting values inside the contour are always larger (or smaller) than the values outside the contour in the process of curve evolution. In this way, the whole curve will evolve along the inner (or outer) boundaries of object, and less likely to be stuck in the object or background. Experimental results have proved that using the proposed method can enhance the robustness of initial contour and meanwhile keep the original advantages in the local fitting-based models.

研究动机与目标

• 解决基于局部区域拟合能量的主动轮廓模型在初始化方面鲁棒性差的问题。
• 克服这些模型在初始轮廓放置不佳时趋向收敛到错误边界的倾向。
• 保持局部区域拟合模型原有的优势，例如处理强度非均匀性。
• 引入一种最小化、通用化的修改，不改变核心能量泛函。

提出的方法

• 引入一种值交换机制，在曲线演化过程中交换主动轮廓两侧的局部区域拟合值。
• 确保轮廓内部的拟合值始终大于（或小于）外部的拟合值，无论初始位置如何。
• 仅在轮廓靠近目标边界时执行交换，以保持稳定性并防止振荡。
• 在保持原始局部区域拟合能量公式的同时，增加一个条件性交换操作，以引导演化过程朝向正确边界。
• 利用轮廓两侧能量差的符号来判断是否执行交换，确保内部与外部区域拟合值的顺序一致性。
• 将该方法作为水平集演化循环中的后处理步骤集成，而不修改底层优化框架。

实验结果

研究问题

• RQ1 一个简单的修改是否能显著提升主动轮廓在强度非均匀图像中对不良初始条件的鲁棒性？
• RQ2 保持内部与外部区域拟合值顺序一致是否能防止轮廓陷入局部极小值？
• RQ3 所提方法是否能在不降低分割质量的前提下，提升收敛至正确目标边界的性能？
• RQ4 该方法是否在不需针对特定模型调整参数的情况下，普遍适用于各类基于局部区域拟合的主动轮廓模型？
• RQ5 该值交换机制如何影响主动轮廓演化的收敛速度与稳定性？

主要发现

• 所提方法显著提升了初始化的鲁棒性，即使初始轮廓远离真实目标边界，也能实现成功分割。
• 实验结果表明，与基线局部区域拟合模型相比，该方法在不良初始条件下显著降低了分割失败率。
• 该方法保持了局部区域拟合模型处理强度非均匀性的原始能力，在具有挑战性的图像上仍能保持高精度的分割效果。
• 值交换机制通过在轮廓处强制保持拟合值的顺序一致性，有效引导轮廓向目标边界演化。
• 该方法以极低的计算开销实现性能提升，适用于实际应用场景。
• 该方法可普遍应用于各类基于局部区域拟合的主动轮廓模型，无需重新训练或参数重估。