[论文解读] Template-Based Active Contours

Jayanth Krishna Mogali, Adithya Pediredla+1 more|arXiv (Cornell University)|Dec 3, 2013

Medical Image Segmentation Techniques参考文献 26被引用 4

一句话总结

本文提出了一种基于模板的主动轮廓框架，用于图像分割，该框架采用具有五个自由度的受限仿射变换（RAT）——平移、旋转和各向异性缩放——将通用形状模板与感兴趣对象对齐。该方法通过梯度下降优化基于内区与环形区域之间对比度的能量函数，利用格林定理实现计算效率，展示了在噪声、初始化和部分遮挡条件下对各类形状（包括圆形、椭圆形和凹形模板）的鲁棒性。

ABSTRACT

We develop a generalized active contour formalism for image segmentation based on shape templates. The shape template is subjected to a restricted affine transformation (RAT) in order to segment the object of interest. RAT allows for translation, rotation, and scaling, which give a total of five degrees of freedom. The proposed active contour comprises an inner and outer contour pair, which are closed and concentric. The active contour energy is a contrast function defined based on the intensities of pixels that lie inside the inner contour and those that lie in the annulus between the inner and outer contours. We show that the contrast energy functional is optimal under certain conditions. The optimal RAT parameters are computed by maximizing the contrast function using a gradient descent optimizer. We show that the calculations are made efficient through use of Green's theorem. The proposed formalism is capable of handling a variety of shapes because for a chosen template, optimization is carried with respect to the RAT parameters only. The proposed formalism is validated on multiple images to show robustness to Gaussian and Poisson noise, to initialization, and to partial loss of structure in the object to be segmented.

研究动机与目标

• 开发一种广义的主动轮廓形式化方法，通过灵活的通用形状模板引入形状先验。
• 通过将形状知识直接嵌入轮廓演化过程，实现在低信噪比、遮挡和灰度非均匀性条件下的鲁棒分割。
• 通过将需优化的参数数量固定为仅RAT参数，无论模板形状如何，均降低计算复杂度。
• 通过基于内区与环形区域灰度强度的对比度能量泛函，提高收敛稳定性并避免陷入局部极小值。
• 通过统一的RAT优化框架，将先前关于snakuscules和ovuscules的工作推广至任意形状。

提出的方法

• 主动轮廓定义为一对同心闭合轮廓：内轮廓和外轮廓构成环形区域。
• 基于内轮廓内部和两轮廓之间的环形区域的平均灰度强度，定义对比度能量泛函。
• 通过梯度下降法在受限仿射变换（RAT）的五个自由度（平移、旋转及x、y方向独立缩放）上最大化该能量。
• 利用格林定理高效计算能量关于RAT参数的偏导数，从而降低计算成本。
• 通过仅优化RAT参数而非轮廓的参数化表示，将该方法推广至任意形状模板。
• 实现了一个ImageJ插件，允许用户从医学相关模板库中选择模板，或自定义定义模板。

实验结果

研究问题

• RQ1 能否开发一种统一的主动轮廓框架，通过单一优化方案从圆形和椭圆形模板推广至任意形状模板？
• RQ2 基于内区与环形区域灰度强度的对比度能量泛函在噪声和初始化变化下的表现如何？
• RQ3 与标准snake方法或形状先验方法相比，使用受限仿射变换（RAT）在多大程度上提升了分割的鲁棒性？
• RQ4 分割结果对内轮廓与外轮廓之间环形区域宽度的敏感度如何？
• RQ5 在部分遮挡或结构杂乱情况下，该方法能否保持准确性和收敛性？

主要发现

• 所提出的对比度能量泛函在特定统计条件下为最优，并表现出稳定行为，无强烈局部极小值，从而实现可靠收敛。
• 该方法在不同噪声条件（高斯噪声和泊松噪声）下，对各类形状（包括圆形、椭圆形、圆环和凹形模板）均实现了鲁棒分割。
• 在多种初始化下分割结果保持一致，即使外轮廓与竞争区域（如MR脑部扫描中的右心室）重叠，结果仍保持准确。
• 当目标区域稀疏杂乱时，环形区域的宽度对分割精度影响极小；但在高杂乱环境中，较宽的环形区域可提升鲁棒性。
• 利用格林定理可高效计算能量梯度，显著降低优化过程中的计算成本。
• 配备医学模板库的ImageJ插件支持实际应用，且与形状模型的集成可提升复杂情况（如胼胝体分割）下的性能。