컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석 7-5. Active Shape Model

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/63159/

Active Shape Model

Training에서 각 Shape들이 존재하고 Landmark들이 각각 존재합니다.

m개의 subject가 존재할 때 첫 landmark들 $v_1^1$ ~ $v_1^m$을 모았을 때 특정 범주 내의 분포가 존재한다고 확인이 가능합니다.

이동될 수 있는 각 landmark별 분포 학습이 목표

Active Contour Model과 같이 shape을 정의했을 때 boundary만 보고 가장 normal 방향으로의 다른 boundary로 이동을 봅니다.

물론 이상한 모양을 가질 수 있습니다.(local minimal 방향)

Training 해놓은 Distribution을 확인하고 그 변화가 가능하다면 그대로 변화를 시켜주고 그렇지 않은 경우 Shape 모델로 이동을 막아주는 기법을 하는 것을 Active Shape Model이라 합니다.

Distribution을 위해 PCA를 사용하여 구합니다.

PCA Implementation

Data normalization

Compute "covariance matrix"

Compute "eigenvectors" of matrix : [U,S,V] = svd(C)

Compute "Principal components"

다만 우리가 구하는 dimension이 매우 크다는 것

ex) 20 D -> 20개의 eigenvalue

Model Construction

Data Normalization = Shape Alignment

shape을 모아 matching되는 점들의 변화량을 확인합니다.

x는 vector - 20개의 landmark라면 x는 20 dim

dx를 구함 - 20차원

covariance matrix - 20x20 matrix

20개의 eigenvector

일부 eigenvector를 받아 PCA를 구합니다.

반대로 복원 과정

Active Shape Model

Training을 통해 $U_{reduce}$를 구하고 이를 통해 b, $dx + \bar{x} = x$를 얻어냄

Test

$\bar{x}$

Boundary일 가능성이 높은 곳으로 Point를 움직임

$b = (y- \bar{x} )U_{reduce}$

나온 b를 기반으로 복원을 수행

최종 변환된 x 값

반복적 수행 converge할 것

이를 통해 boundary 설정

active shape models - their training and application

TF Cootes 저술 - ‎1995 - ‎9252회 인용

https://pdfs.semanticscholar.org/f731/b6745d829241941307c3ebf163e90e200318.pdf

저작자표시

AI 공부 도전기