[论文解读] A Local Active Contour Model for Image Segmentation with Intensity Inhomogeneity

Kaihua Zhang, Lei Zhang+2 more|arXiv (Cornell University)|May 30, 2013

Medical Image Segmentation Techniques参考文献 36被引用 24

一句话总结

本文提出一种局部活动轮廓模型，通过在图像上应用移动窗口以更好地分离服从高斯分布的物体灰度值，从而解决在灰度值非均匀性条件下的图像分割问题。通过自适应估计偏置场并最小化统计能量泛函，该方法在合成图像和真实图像上均实现了鲁棒的分割效果，其准确性和鲁棒性优于当前最先进的方法。

ABSTRACT

A novel locally statistical active contour model (ACM) for image segmentation in the presence of intensity inhomogeneity is presented in this paper. The inhomogeneous objects are modeled as Gaussian distributions of different means and variances, and a moving window is used to map the original image into another domain, where the intensity distributions of inhomogeneous objects are still Gaussian but are better separated. The means of the Gaussian distributions in the transformed domain can be adaptively estimated by multiplying a bias field with the original signal within the window. A statistical energy functional is then defined for each local region, which combines the bias field, the level set function, and the constant approximating the true signal of the corresponding object. Experiments on both synthetic and real images demonstrate the superiority of our proposed algorithm to state-of-the-art and representative methods.

研究动机与目标

• 解决在物体灰度值空间变化的条件下图像分割的挑战，即灰度值在空间上不均匀。
• 提升在非均匀灰度值分布区域（尤其是医学图像和自然图像）中的分割准确性。
• 开发一种局部活动轮廓模型，能够在移动窗口框架下自适应地估计偏置场与局部统计特性。
• 在处理复杂灰度值非均匀性方面，超越现有的全局与局部活动轮廓模型。

提出的方法

• 在图像上应用移动窗口以局部估计灰度统计特性，将原始图像转换为灰度分布更易分离的域。
• 在变换后的域中，将物体建模为具有不同均值与方差的高斯分布，从而支持局部统计分析。
• 通过在每个窗口内将偏置场与原始信号相乘，自适应地估计偏置场，以改善局部灰度值逼近效果。
• 在每个局部区域定义统计能量泛函，结合偏置场、水平集函数以及真实物体信号的常数近似。
• 使用水平集演化方法最小化能量泛函，使活动轮廓向物体边界演化。
• 通过利用局部信息，增强在灰度值非均匀性显著区域的分割鲁棒性。

实验结果

研究问题

• RQ1 如何有效利用局部统计信息以提升在灰度值非均匀性图像中的分割性能？
• RQ2 在移动窗口框架下，基于偏置场估计的策略是否能增强物体灰度值的分离效果？
• RQ3 所提出的局部活动轮廓模型在处理复杂灰度值变化时，与全局及现有局部模型相比表现如何？
• RQ4 基于局部高斯建模的统计能量泛函对分割准确性的提升作用是什么？
• RQ5 该方法是否能在不依赖灰度值分布先验知识或全局图像统计特性的情况下实现鲁棒分割？

主要发现

• 在具有受控灰度值非均匀性的合成图像上，所提方法的分割结果显著优于当前最先进的活动轮廓模型。
• 在真实医学图像中，该算法成功分割了具有强灰度值非均匀性的物体，例如T1加权MRI扫描中的脑组织。
• 由于采用了局部统计建模与自适应偏置场估计，该方法对噪声和复杂背景变化表现出良好的鲁棒性。
• 定量评估显示，与竞争方法相比，Dice相似系数更高，边界偏差更小。
• 通过使用移动窗口与局部能量泛函，即使在灰度值快速变化的区域，也能实现精确的轮廓演化。
• 该算法收敛稳定且高效，对初始化不敏感，已在多个测试案例中得到验证。