[论文解读] Accuracy of MAP segmentation with hidden Potts and Markov mesh prior models via Path Constrained Viterbi Training, Iterated Conditional Modes and Graph Cut based algorithms

Ana Georgina Flesia, Josef Baumgartner+2 more|arXiv (Cornell University)|Jul 11, 2013

Medical Image Segmentation Techniques参考文献 17被引用 3

一句话总结

本文使用隐藏Potts模型和马尔可夫网格先验，评估了三种算法——路径约束维特比训练（PCVT）、迭代条件模式（ICM）和图割（Graph Cut）——在基于马尔可夫随机场的图像分割中的表现。结果表明，PCVT在复杂、多模态图像中表现出更优的噪声抑制能力和分割精度，且对直方图模式不明显的图像具有更强的鲁棒性。

ABSTRACT

In this paper, we study statistical classification accuracy of two different Markov field environments for pixelwise image segmentation, considering the labels of the image as hidden states and solving the estimation of such labels as a solution of the MAP equation. The emission distribution is assumed the same in all models, and the difference lays in the Markovian prior hypothesis made over the labeling random field. The a priori labeling knowledge will be modeled with a) a second order anisotropic Markov Mesh and b) a classical isotropic Potts model. Under such models, we will consider three different segmentation procedures, 2D Path Constrained Viterbi training for the Hidden Markov Mesh, a Graph Cut based segmentation for the first order isotropic Potts model, and ICM (Iterated Conditional Modes) for the second order isotropic Potts model. We provide a unified view of all three methods, and investigate goodness of fit for classification, studying the influence of parameter estimation, computational gain, and extent of automation in the statistical measures Overall Accuracy, Relative Improvement and Kappa coefficient, allowing robust and accurate statistical analysis on synthetic and real-life experimental data coming from the field of Dental Diagnostic Radiography. All algorithms, using the learned parameters, generate good segmentations with little interaction when the images have a clear multimodal histogram. Suboptimal learning proves to be frail in the case of non-distinctive modes, which limits the complexity of usable models, and hence the achievable error rate as well. All Matlab code written is provided in a toolbox available for download from our website, following the Reproducible Research Paradigm.

研究动机与目标

• 比较三种分割算法——PCVT、ICM和图割——在不同马尔可夫随机场先验下的性能表现。
• 评估参数估计、计算效率和自动化水平对分割精度的影响。
• 研究图像直方图结构（如明显与不明显的模式）对算法鲁棒性的影响。
• 提供一个可复现的、开源的MATLAB工具箱，支持PCVT和ICM，并为图割提供封装接口，以支持马尔可夫分割方法的基准测试。
• 为比较隐藏Potts模型与隐藏马尔可夫网格模型在图像分割中的表现，提供统一的理论与实证框架。

提出的方法

• 采用最大后验概率（MAP）估计推断隐藏像素标签：$ s^* = \arg\max_s p(s|I,\theta) $，其中$ I $为观测图像，$ \theta $为模型参数。
• 应用两种先验模型：用于PCVT的二阶各向异性马尔可夫网格（Markov Mesh）和用于ICM与图割的各向同性Potts模型。
• 对隐藏马尔可夫网格模型采用路径约束维特比训练（PCVT），在每个对角线上优化最可能的20种标签序列集合。
• 对Potts模型使用迭代条件模式（ICM），结合伪似然近似与平滑参数重估计。
• 通过封装Boykov与Kolmogorov的C代码实现图割，采用$\alpha$-扩张移动进行多标签优化。
• 采用基于EM的高斯混合模型对发射似然进行建模，所有模型共享相同的发射分布。

实验结果

研究问题

• RQ1 在合成图像与真实牙科X光片中，PCVT、ICM和图割在总体准确率、Kappa系数和相对改进率方面的表现如何比较？
• RQ2 直方图模式不明显时，如何影响各分割算法的鲁棒性与性能表现？
• RQ3 参数估计质量（尤其是平滑参数估计）对分割精度与噪声抑制的影响如何？
• RQ4 先验模型选择（Potts模型 vs. 马尔可夫网格模型）如何影响最终分割结果与计算复杂度？
• RQ5 PCVT是否能通过跳出局部最优解并避免最大似然解的平滑版本，从而超越标准方法（如ML和ICM）？

主要发现

• 在实验(d)中，PCVT的Kappa系数最高（0.8165 ± 0.0005），显著优于ICM（0.7834 ± 0.0005）、图割（0.8089 ± 0.0005）和ML（0.7573 ± 0.0005），所有差异均具有统计显著性。
• PCVT在背景噪声抑制方面优于其他方法，错误主要集中于目标区域，表明其具有更优的结构保持能力。
• 图割在高复杂度场景（如四类问题）中表现出收敛问题，其在二值分割任务中表现最佳。
• ICM对类别数量最不敏感，在所有实验中均保持稳定，未出现收敛失败。
• PCVT生成的分割结果并非ML解的简单平滑版本，表明其具备逃离解空间鞍点的能力。
• 三种算法均显著提升了分割的平滑性，相比独立混合模型（ML），证实了通过马尔可夫先验建模空间依赖性的有效性。