본 내용은 Edwith의 컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석을 요약 정리한 내용으로 DGIST 박상현 교수님과 Edwith, STAR-MOOC에 그 저작권이 있음을 미리 공지합니다.
URL : https://www.edwith.org/medical-20200327/lecture/63155/
7주차에 여러 Segmentation 기법을 알아볼 것
Graph cut과 함께 의료영상 Segmentation에 빈번하게 사용되고 있는 Active Contour Model에 대해서 살펴볼 것
이용 가능한 학습데이터들이 있을 때 Segmentation을 위한 학습모델 - Active Shape Model
Boundary 특성을 고려한 방법, 관심 물체 근처에서 rough한 boundary를 구해줍니다. 경계가 업데이트 되면서 segmentation을 진행. boundary에 수렴할 때까지 진행
다수의 점들로 경계를 표현
ex) $V(1) = (x_1, y_1), \cdots , V(n) = (x_n,y_n)$
점들의 집합에 대한 식을 정의
Energy Equation으로 최소화하는 방향으로 값을 구함
$E_{snake} = \int_s E(V(s)) ds$
경계가 뚜렷한 곳에서 Boundary가 생길 것
경계가 클 때 Energy가 작아지는 방향으로 Gradient 학습하도록 Energy 정의
External Energy 영상의 특성에 따라 만들어진 Energy로 흰 바탕(255)에 검은색 boundary(0)의 경우 Intensity를 Energy로 검은색 바탕(0)에 흰 색 boundary(255)의 경우 -Intensity를 Energy로 사용하는 것을 예로 들수 있습니다. 그러나 실제로는 잘 작동하지 않습니다.
shape 모양만을 가지고 식을 추가하는 것 : Internal Energy
elastic energy = 적분 (가중치 * 미분의 제곱)
smooth한 shape으로 바뀜
bending energy = 적분 (가중치 * 2차 미분의 제곱)
Internal Energy = Elastic Energy + Bending Energy
$E_{snake} = E_{external} + E_{internal}$
Energy를 최소화하는 V(s)를 구하는 것이 목적
Gradient를 이용한 최적화 문제