컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석 7-2. Atlas based method / Label fusion

컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석 7-2. Atlas based method / Label fusion

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/63156/

Atlas-based Label Fusion

영상 취득 이후 앞에서 배운 방식들을 이용하여 관심 부위의 segmentation을 했을 때 Label Map을 얻을 수 있습니다. 물체 영역=1(흰색), 나머지 배경=0(검은색)

이 작업을 반복하여 데이터를 축적, 저장할 수 있습니다.

이를 이용해주기 위한 기법으로 Atlas-based Label Fusion기법이 있습니다.

Region Growing 기법 말고 기존의 영상과 label을 이용해 test에서의 segmentation을 효율적으로 만드는 방법을 제시합니다.

segmentation된 label map을 Atlas라고 합니다.

여기서

i번째 Image를 $Y_i$

i번째 Segmentation된 Label Map을 $Z_i$

Test Image를 $X$라 가정하겠습니다.

$Y_i$를 X로의 Registration을 진행합니다. Registration 기법에는 다양한 방법이 존재합니다. 보통 Registration이라 함은 Transformation Matrix를 구한 후 이를 통한 Image를 변형을 해줍니다. 그렇기 때문에 일반적으로 $T_1(Y_1)=Y_1^\prime$, $T_1(Z_1)=Z_1^\prime$를 만들어 $Y_1^\prime$과 X를 비교합니다.

이와 같이 여러 데이터에 대해서 Registration을 진행한다면 여러 Label Map을 입힐 수 있습니다. 여기서 과반수의 픽셀에서 1이 나오면 1로 그렇지 않다면 0으로 넣는 방식을 사용할 수 있는데 이를 Majority Voting이라 합니다.

또는 $X-Y_i^\prime$을 통한 similarity로 값을 이용해 구할수도 있습니다.

이런 방식의 단점은 데이터가 많을수록 정합(Registration)을 많이 시행해야 합니다. 이에 따른 computation이 많을 수 있습니다.

Registration이 잘 부합해야 좋은 segmentation 결과값을 얻을 수 있는데 이를 정밀하게 하기 위한 non-rigid registration을 사용할 수 있으나 오래 걸립니다.

Patch-based Label Fusion

이를 보강하기 위해 Patch-based Label Fusion이 제안되기도 했습니다.

여기서는 non-rigid registration 대신 affine registration을 사용합니다.

Transformation matrix를 받는 속도가 빨라지나 정확도적인 측면에서 떨어질 수 있습니다. 이를 극복하기 위해 Patch기반 weighted sum을 사용합니다.

Patch에서 sliding window 방식을 사용해서 similarity가 높은 것을 찾습니다. 이를 기반으로 Label Map을 사용하여 만듭니다.

특별히 학습을 필요로 하지 않기 때문에 이용이 쉬운 반면 학습 데이터가 많을수록 계산량이 많아지는 단점이 있습니다. 이 때문에 유사도가 높은 Atlas만을 사용하기도 합니다.