[论文解读] A-expansion for multiple "hedgehog" shapes

Hossam Isack, Yuri Boykov+1 more|arXiv (Cornell University)|Feb 2, 2016

Medical Image Segmentation Techniques参考文献 20被引用 4

一句话总结

本文提出了一种新颖的多目标分割框架，采用“刺猬”形状先验，其中每个目标的表面法线受用户定义的向量场（例如，来自涂鸦或距离变换的向量场）约束，通过A-扩展实现灵活且子模化的正则化。该方法通过强制保持形状一致性，在重叠颜色和弱边缘的情况下显著提升了分割精度，尤其在医学影像中表现突出，同时通过图割优化保持了计算效率。

ABSTRACT

Overlapping colors and cluttered or weak edges are common segmentation problems requiring additional regularization. For example, star-convexity is popular for interactive single object segmentation due to simplicity and amenability to exact graph cut optimization. This paper proposes an approach to multiobject segmentation where objects could be restricted to separate "hedgehog" shapes. We show that a-expansion moves are submodular for our multi-shape constraints. Each "hedgehog" shape has its surface normals constrained by some vector field, e.g. gradients of a distance transform for user scribbles. Tight constraint give an extreme case of a shape prior enforcing skeleton consistency with the scribbles. Wider cones of allowed normals gives more relaxed hedgehog shapes. A single click and +/-90 degrees normal orientation constraints reduce our hedgehog prior to star-convexity. If all hedgehogs come from single clicks then our approach defines multi-star prior. Our general method has significantly more applications than standard one-star segmentation. For example, in medical data we can separate multiple non-star organs with similar appearances and weak or noisy edges.

研究动机与目标

• 解决多目标场景中常见的分割挑战，如颜色重叠和边缘微弱或杂乱的问题。
• 开发一种灵活、用户友好的形状正则化方法，推广星凸性并支持多种不同形状的目标。
• 通过A-扩展移动实现具有复杂形状先验的多标签马尔可夫随机场（MRF）的高效优化。
• 提供一种实用的替代方案，以取代需要大规模数据集且假设拓扑固定的基于训练的形状模型（如SSM、DSM）。

提出的方法

• 提出一种“刺猬”形状先验，其中每个像素的表面法线必须位于由用户指定的向量场（如涂鸦的距离变换梯度）定义的圆锥内。
• 通过每个像素处的允许边缘方向集合 𝒪(θ) 定义形状约束，该集合由局部向量场导出，以限制可能的分割表面。
• 引入多刺猬先验，允许对每个对象独立施加形状约束，从而实现对非星凸形、外观相似或拓扑复杂的结构的分割。
• 证明A-扩展移动在所提出的多刺猬约束下仍保持子模性，从而可通过s/t图割实现全局最优近似。
• 针对离散化伪影（如空的或表示不足的极坐标圆锥）提出启发式修正方法，包括在约束集中添加最近邻边或修剪不一致的约束。
• 通过向量场插值和边修剪，解决快速变化向量场引起的冲突，避免过度约束和平凡解。

实验结果

研究问题

• RQ1 能否设计一种灵活、用户驱动的形状先验，推广星凸性，同时保持高效优化的可行性？
• RQ2 在无需训练数据的情况下，如何在多标签MRF框架中同时对多个不同对象形状进行正则化？
• RQ3 当应用于如刺猬模型等复杂形状先验时，A-扩展算法在何种条件下仍保持子模性？
• RQ4 刺猬约束公式中的主要离散化伪影是什么？如何在不牺牲精度的前提下加以缓解？
• RQ5 刺猬先验能否有效解决医学影像中因物体强度相似且边界微弱而引起的分割模糊性问题？

主要发现

• 所提出的刺猬形状先验推广了星凸性：单个点击配合±90°法线约束可将其退化为标准星凸先验，而更宽的圆锥则允许更灵活的形状。
• 当所有刺猬均源自单个点击时，该方法可实现多星形分割，从而将单星形先验的应用范围扩展至多个目标。
• A-扩展算法在多刺猬约束下仍保持子模性，支持通过图割实现高效且保证近似精度的优化。
• 在医学影像中，该方法在分离外观相似且边缘微弱的多个器官方面优于标准Potts模型，尤其在边缘线索不可靠时表现更优。
• 通过在约束集中添加最近邻边，成功缓解了空的或表示不足的极坐标圆锥等离散化问题，提升了鲁棒性。
• 基于插值后的向量场修剪不一致的边约束，有效解决了因向量场快速变化导致的过度约束问题，恢复了非平凡的分割解。