[论文解读] A Continuous Max-Flow Approach to Multi-Labeling Problems under Arbitrary Region Regularization

John S. H. Baxter, Martin Rajchl+2 more|arXiv (Cornell University)|May 5, 2014

Digital Image Processing Techniques参考文献 11被引用 9

一句话总结

本文提出了一种基于有向无环图（DAGMF）的连续最大流框架，实现了多标签图像分割中任意超对象正则化的支持，克服了先前分层模型的局限性。通过灵活的DAG结构建模复杂的部件-整体关系，并结合GPGPU加速的凸松弛优化，该方法支持重叠分组，同时推广了Potts和Ishikawa模型，且保持全局最优性。

ABSTRACT

The incorporation of region regularization into max-flow segmentation has traditionally focused on ordering and part-whole relationships. A side effect of the development of such models is that it constrained regularization only to those cases, rather than allowing for arbitrary region regularization. Directed Acyclic Graphical Max-Flow (DAGMF) segmentation overcomes these limitations by allowing for the algorithm designer to specify an arbitrary directed acyclic graph to structure a max-flow segmentation. This allows for individual 'parts' to be a member of multiple distinct 'wholes.'

研究动机与目标

• 克服先前最大流分割模型中刚性分层约束的局限，这些约束将部件到整体的关系限制为单一、无环的排序。
• 在连续多标签分割中实现任意超对象正则化，允许单个部件属于多个整体。
• 将Potts、Ishikawa及广义分层最大流模型统一到基于DAG的正则化框架中。
• 开发一种GPGPU优化的求解器，在保持全局最优性的同时，支持医学图像分割中复杂、非分层的解剖或结构关系。

提出的方法

• 该方法将分割建模为在有向无环图（DAG）上的连续最大流问题，其中每个节点代表一个标签或超对象，边编码流和正则化约束。
• 采用分割能量泛函的凸松弛，为每个标签和超对象引入数据保真项和基于总变差的平滑项。
• 该公式包含强制父节点与子节点标签之间一致性的约束，例如 $ u_G(x) = \sum_{L' \in G.C} u_{L'}(x) $，以确保层级流的传播。
• 通过将边权重从多重性归一化为有效流容量，确保正则化场的准确缩放。
• 算法采用增广拉格朗日乘子法高效求解约束优化问题，并通过CUDA实现并行化以实现GPGPU加速。
• 源节点S通过 $ u_S(x) = \sum_{L' \in S.C} w_{(S,L')} u_{L'}(x) = 1 $ 强制单位流，确保所有标签的归一化正确。

实验结果

研究问题

• RQ1 连续最大流分割模型是否能够支持超越严格分层排序的任意超对象正则化？
• RQ2 在全局最优分割框架中，如何建模重叠的部件-整体关系——即单个部件属于多个整体？
• RQ3 在统一的基于DAG的架构下，如何建立广义Potts、Ishikawa及广义分层模型的数学公式？
• RQ4 如何通过GPGPU并行计算高效求解所得优化问题，同时保持全局最优性？

主要发现

• 所提出的DAGMF框架通过灵活的DAG结构，将Potts、Ishikawa及广义分层最大流模型统一推广，支持通过任意超对象正则化实现多标签分割。
• 该方法支持重叠的部件-整体关系，例如一个标签可同时属于多个超对象，这在传统分层模型中是不可行的。
• 能量最小化问题为凸问题，具有全局最优性，且通过约束确保了DAG中从父节点到子节点的流传播一致性。
• 通过CUDA实现的GPGPU加速，该算法实现了高计算效率，同时支持多GPU和多线程执行的额外并发机制。
• 通过调整边的多重性对正则化场进行正确缩放，确保通过边权重归一化实现准确的正则化强度。