[论文解读] A Continuous Max-Flow Approach to General Hierarchical Multi-Labeling Problems

John S. H. Baxter, Martin Rajchl+2 more|arXiv (Cornell University)|Apr 1, 2014

Medical Image Segmentation Techniques参考文献 8被引用 10

一句话总结

该论文提出了一种连续最大流框架——广义分层最大流（GHMF），用于在任意分层解剖约束下实现全局最优的多标签分割。通过将问题表述为带有分层约束的连续最小割的凸松弛问题，该方法实现了高效的、可并行化的优化，借助GPU加速，同时支持运行时指定层次结构，实现灵活、交互式的分割。

ABSTRACT

Multi-region segmentation algorithms often have the onus of incorporating complex anatomical knowledge representing spatial or geometric relationships between objects, and general-purpose methods of addressing this knowledge in an optimization-based manner have thus been lacking. This paper presents Generalized Hierarchical Max-Flow (GHMF) segmentation, which captures simple anatomical part-whole relationships in the form of an unconstrained hierarchy. Regularization can then be applied to both parts and wholes independently, allowing for spatial grouping and clustering of labels in a globally optimal convex optimization framework. For the purposes of ready integration into a variety of segmentation tasks, the hierarchies can be presented in run-time, allowing for the segmentation problem to be readily specified and alternatives explored without undue programming effort or recompilation.

研究动机与目标

• 解决多区域医学图像分割中缺乏能整合复杂解剖部分-整体关系的通用优化方法的问题。
• 将离散分层图割方法扩展到连续变分设置，同时保持全局最优性。
• 允许在无需重新编译或硬编码的情况下，灵活地在运行时指定层次标签结构。
• 通过统一的凸优化框架，独立地对部分和整体进行正则化。
• 通过通用GPU计算（GPGPU）和任务间并发，支持高性能计算，实现可扩展的分割。

提出的方法

• 构建一个基于输入层次结构的连续最大流模型，通过子集/超集约束表示父子关系。
• 建立所提出的连续最大流与在分层约束下凸松弛化的连续最小割之间的等价性。
• 采用增广拉格朗日法结合对偶上升法求解优化问题，使用解析更新法更新对偶变量。
• 采用自底向上的优化策略：首先更新流量场 $ q_L $，然后更新标签指示器 $ u_L $，最后更新势函数 $ p_L $。
• 采用递归初始化过程，基于叶节点的数据项设置初始值，并沿层次结构自下而上传播。
• 通过CUDA实现GPU加速，支持任务内并行和多GPU之间的任务间并发，实现性能扩展。

实验结果

研究问题

• RQ1 连续最大流公式能否推广以处理任意分层标签关系，同时保持全局最优性？
• RQ2 如何在不限制几何形态的前提下，将解剖部分-整体关系编码到连续变分框架中？
• RQ3 能否使用GPU加速的并行算法高效求解分层分割问题？
• RQ4 是否可以将问题简化为仅依赖叶节点的数据项，而所有高层约束通过流量和势函数处理？
• RQ5 与现有的离散或连续多标签分割方法相比，所提出方法在性能和准确性方面表现如何？

主要发现

• 所提出的GHMF框架在凸优化设置下，即使在复杂分层约束下，也能实现全局最优。
• 该方法通过根树表示支持任意层次结构，包括非划分和非嵌套的标签结构。
• 该算法支持运行时指定层次结构，允许无需重新编译即可交互式探索不同的分割方案。
• 求解器仅需叶节点的数据项，所有高层约束通过流量和势函数处理，经由线性时间归约实现。
• 通过CUDA实现的GPU加速支持高并行性和性能扩展，支持多GPU和任务间并发。
• 算法通过迭代对偶上升和解析更新实现收敛，确保数值稳定性和效率。