[论文解读] Heat Kernel Smoothing in Irregular Image Domains

Moo K. Chung, Yanli Wang+1 more|arXiv (Cornell University)|Oct 21, 2017

Medical Image Segmentation Techniques参考文献 7被引用 3

一句话总结

本文提出一种在图结构数据上用于不规则3D图像域的离散热核平滑方法，利用图拉普拉斯矩阵解析构造平滑核，以减少噪声并保留几何结构。该方法实现了CT扫描中肺血管树的高分辨率重采样与骨架化，具有方差减少和收敛至区域特定均值的理论保证。

ABSTRACT

We present the discrete version of heat kernel smoothing on graph data structure. The method is used to smooth data in an irregularly shaped domains in 3D images. New statistical properties are derived. As an application, we show how to filter out data in the lung blood vessel trees obtained from computed tomography. The method can be further used in representing the complex vessel trees parametrically and extracting the skeleton representation of the trees.

研究动机与目标

• 开发适用于3D医学图像中不规则形状域的离散热核平滑框架。
• 推导热核平滑的新统计特性，特别是方差减少和噪声的随机行为。
• 实现对复杂血管结构（如肺血管树）的高分辨率重采样与参数化表示。
• 为基于图的数据平滑提供一种解析替代方法，以替代迭代高斯核近似。
• 展示该方法在从CT数据中提取血管树骨架表示方面的实用性。

提出的方法

• 该方法利用图拉普拉斯矩阵通过谱分解定义离散热核：$ K_{\sigma} = \Psi e^{-\sigma \Lambda} \Psi^\top $，其中 $ \Psi $ 包含拉普拉斯矩阵的特征向量，$ \Lambda $ 为其特征值。
• 热核被用作卷积算子：$ K_{\sigma} * f $，其中 $ f $ 是图节点上的数据向量，通过谱滤波实现平滑。
• 该核为双随机矩阵，确保 $ K_{\sigma} \mathbf{1} = \mathbf{1} $，并在邻近节点上表现为概率分布。
• 该方法利用尺度空间性质 $ K_{\sigma} K_{\tau} = K_{\sigma + \tau} $，以解析方式建模多带宽下的平滑。
• 在骨架化过程中，经 $ \sigma = 1 $ 平滑后的节点坐标四舍五入至最近整数，再通过缩放实现更细的表示。
• 3D图像体通过18连通体素邻域转换为3D图，邻接矩阵定义图拉普拉斯矩阵。

实验结果

研究问题

• RQ1 如何在不规则3D图像域的离散图设置中表述热核平滑？
• RQ2 对于离散热核平滑，能否严格推导出如方差减少和噪声行为等统计特性？
• RQ3 该方法能否实现对复杂血管结构（如肺血管树）的高分辨率重采样与参数化表示？
• RQ4 热核平滑在图的不连通分量中如何收敛至均值？
• RQ5 该方法能否在无需预先分割或显式骨架化算法的情况下提取血管树的骨架表示？

主要发现

• 热核平滑减少了噪声数据的方差，如定理2所示，证明了对所有节点 $ j $，有 $ \mathbb{V}(K_{\sigma} * f)_j \leq \mathbb{V}f_j $。
• 当 $ \sigma = 0 $ 时，平滑核为单位矩阵；当 $ \sigma = \infty $ 时，其收敛于一个秩一矩阵 $ \mathbf{1} \mathbf{1}^\top / p $，表示全局均值。
• 图中不连通分量在平滑下收敛至各自独立的均值，即使在 $ \sigma = 10000 $ 时也表现出非均匀的颜色区域。
• 使用 $ \sigma = 1 $ 和6000个特征向量，该方法成功将二值血管分割结果重采样至原始分辨率的2倍、4倍和6倍，生成逐步变细的类似骨架的表示。
• 通过四舍五入平滑后的坐标获得骨架表示，缩放2倍、4倍和6倍可生成更细的血管树，展示了新颖的参数化重建方法。
• 该方法在具有 $ p = 6615 $ 个节点的3D图上实现了稳定且可解析处理的平滑，采用隐式重启的Arnoldi方法进行大规模特征分解。