[논문 리뷰] An Automatic Seeded Region Growing for 2D Biomedical Image Segmentation

Mohammed M. Abdelsamea|arXiv (Cornell University)|2014. 12. 12.

Medical Image Segmentation Techniques참고 문헌 7인용 수 18

한 줄 요약

이 논문은 과소분할과 과다분할 문제를 최소화함으로써 세포 이미지 분석을 향상시키는 자동 시드 영역 확장 알고리즘을 제안한다. 영역 관심영역(ROI) 추출, 기계학습 기반 자동 시드 선택, 반복적 영역 확장을 통해 정확하고 노이즈가 적은 분할 결과를 도출하며, 기존 방법보다 뛰어난 성능을 보인다.

ABSTRACT

In this paper, an automatic seeded region growing algorithm is proposed for cellular image segmentation. First, the regions of interest (ROIs) extracted from the preprocessed image. Second, the initial seeds are automatically selected based on ROIs extracted from the image. Third, the most reprehensive seeds are selected using a machine learning algorithm. Finally, the cellular image is segmented into regions where each region corresponds to a seed. The aim of the proposed is to automatically extract the Region of Interests (ROI) from the cellular images in terms of overcoming the explosion, under segmentation and over segmentation problems. Experimental results show that the proposed algorithm can improve the segmented image and the segmented results are less noisy as compared to some existing algorithms.

연구 동기 및 목표

• 세포 이미지 분할에서 과소분할 및 과다분할 문제를 해결하기 위해.
• 2차원 생물의학 영상의 영역 확장 알고리즘에서 시드 선택 과정을 자동화하기 위해.
• 세포 이미지 분석의 분할 정확도를 향상시키고 노이즈를 줄이기 위해.
• 수동적 개입 없이도 완전히 자동화된 강건한 방법을 개발하기 위해.
• 기존 영역 확장 및 분할 기법들과 비교해 분할 결과를 향상시키기 위해.

제안 방법

• 입력 영상을 전처리하여 품질을 향상시키고 영역 관심영역(ROI) 탐지에 적합한 상태로 준비한다.
• 이미지 처리 기법을 사용해 전처리된 영상에서 ROI를 추출하여 후보 영역을 식별한다.
• 추출된 ROI를 바탕으로 초기 시드를 자동으로 선택하여 세포 구조와의 관련성을 확보한다.
• 기계학습 알고리즘이 초기 시드 집합에서 가장 대표적인 시드를 선택하여 분할 정밀도를 향상시킨다.
• 선택된 시드에서 시작해 강도 유사성과 공간 연결성을 기반으로 반복적으로 영역을 확장한다.
• 알고리즘은 각 분할 영역이 단일 시드에 대응하도록 보장하여 분할 불일치 및 융합 오류를 최소화한다.

실험 결과

연구 질문

• RQ1 자동 시드 선택이 2차원 생물의학 영상의 분할 정확도를 향상시킬 수 있는가?
• RQ2 기계학습 기반 시드 선택은 영역 확장에서 과소분할 및 과다분할 문제를 어떻게 줄이는가?
• RQ3 제안된 방법은 기존 알고리즘과 비교해 세포 이미지 분할에서 노이즈를 어느 정도 감소시키는가?
• RQ4 알고리즘이 수동 시드 입력 없이도 일관된 분할을 달성할 수 있는가?
• RQ5 ROI 기반 시드 초기화가 분할 성능에 미치는 영향은 무엇인가?

주요 결과

• 제안된 알고리즘이 기존 영역 확장 방법과 비교해 분할된 영상에서 노이즈를 크게 감소시킨다.
• 분할 결과는 더 적은 잡음과 더 나은 세포 경계 보존을 통해 정확도가 향상됨을 보여준다.
• 기계학습을 활용한 시드 선택은 초기 시드의 대표성을 향상시켜 더 신뢰할 수 있는 영역 확장을 가능하게 한다.
• 이 방법은 기존 영역 확장 기법에서 흔히 발생하는 과소분할 및 과다분할 문제를 효과적으로 완화한다.
• 실험 결과, 알고리즘이 기준 대비 더 일관되고 시각적으로 정확한 분할 결과를 도출하는 것으로 나타났다.
• 알고리즘은 완전히 자동화되어 생물의학 영상 분석에서 수동 시드 배치가 필요 없어진다.