Atlas based / Patch-based / Label fusion

1. 사용 목적

- 기존의 label된 영상을 이용하여, test에서의 segmentation의 효율을 높이기 위함

- Atlas = segmentation이 진행된 label map

 

---

 

2. 방법

 

2.1 Atlas based label fusion

출처 - DGIST 박상현 교수님 'Edwith 컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석'

- 원본이미지, 원본이미지에 대한 Atlas, 그리고 Segmentation이 진행될 test 이미지가 있다면

1. 원본이미지를 test 이미지로 registration을 해준다.
   (Registration 진행 기법 -> T1(원본이미지) = 원본이미지' 으로 만들고, 만들어진 원본이미지'를 test 이미지와 비교하여 transformation matrix를 구하고, T1(Atlas) = Atlas' 로 만들어서 segmentation을 진행하게 된다) : 일단 이해하기론 이런데.. 틀렸을 수도 있음. 
2. 여기서 원본이미지들에 대해서 registration들을 진행해서 여러 Label map들을 입히고, 입혀진 Label map들 중 과반수가 해당 픽셀이 1이라 한다면 '1'로 아니라 한다면 '0'으로 설정하는 방식 -> Majority Voting이라고 한다.

- 단점 : 데이터가 많아지면 많아질 수록, 진행해줘야하는 registration이 많아지기 때문에, 그만큼 computation이 많아질 수 밖에 없다.

-> registration 성능에 따라서 segmentation의 결과가 좌지우지된다.

-> non-rigid registration을 사용해서 registration 성능을 올리수 있다. (다만 시간이 아주 오래걸린다는 단점이 있음)

 

그럼 이를 어떻게 개선할 수 있을까?

 

2.2 Patch based label fusion

 

출처 - DGIST 박상현 교수님 'Edwith 컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석'

 

- non-rigid registration 대신에 affine registration을 사용함

-> transformation function을 찾는 것이 빨라 지는 대신, label을 가져오는 것이 부정확하게 된다.

->> patch 기반의 weighted sum을 해줌으로 해결

 

- patch를 한 window 안에서 마치 cnn필터돌아가듯이, 지나다니면서 similarity가 가장 높은 지점을 찾게 된다.

-> 확률 map처럼 결과가 나오게 되고, 이걸 이미지 전체에 대해서 진행해서 segmentation map을 만들게 된다.

 

- 학습을 해주는 작업이 없어서, 이용에 용이함

- 사람마다 전체적인 구조가 비슷한 장기에 적용 시에 효율이 좋음

- 데이터가 많아질수록 계산량이 많아지게 됨 (효율이 떨어짐)