組織病理学的イメージのセグメンテーションのためのハイスループットのアクティブな輪郭スキーム

このペーパーでは、非常に大きな画像上の複数のターゲットオブジェクトの迅速かつ正確なセグメンテーションのために、カラーグラデーションベースのアクティブコンターモデルを使用する最小限のインタラクティブなハイスループットシステムを示します。測地線のアクティブコンター（GAC）は、画像セグメンテーションのために非常に人気のあるツールになりましたが、モデルの初期化に敏感である傾向があります。GACモデルの2番目の制限は、エッジ検出器関数が通常、グレースケール勾配の使用を伴うことです。勾配計算の前に、通常、グレースケールに変換されます。ただし、カラー画像の場合、グレースケールの勾配画像は、勾配計算で他のチャネルが悪用されないため、壊れたエッジと弱い境界になります。これらの制限に対処するために、正確で迅速なオブジェクトの初期化スキームによって駆動される新しいGACモデルを提示します。階層的正規化カット（hncut）。HNCUTは、2つの強力なセグメンテーション戦略の統合から強度を引き出し、平均シフトクラスタリングと正規化されたカットを獲得します。Hncutには、関心のあるオブジェクトから最初に色見本（通常は数ピクセル）を定義することが含まれます。マルチスケールの平均シフト結合正規化カットアルゴリズムにより、スウォッチの色に対応するシーン内のすべてのオブジェクトの初期正確な検出が迅速に生成されます。この検出結果は、GACモデルの初期輪郭を提供します。GACモデルのエッジ検出器関数は、各カラーチャネルから寄与する局所的なMIN/MAXバリエーションを計算することにより得られるローカル構造テンソルベースの色勾配を採用しています。色勾配ベースのエッジ検出器関数は、古典的なグレースケール勾配ベースの関数と比較して、より顕著な境界をもたらすことを示します。HNCUT初期化スキームをカラーグラデーションベースのGAC（CGAC）と統合することにより、HNCUT-CGACは5つの一意で斬新な属性を具体化します。（1）複数のターゲット構造のセグメント化における効率。（2）非常に大きな画像から複数のオブジェクトをセグメント化する機能。（3）最小限の人間の相互作用。（4）精度。（5）再現性。HNCUT-CGACモデルの他の最先端のアクティブコンタースキーム（ハイブリッドアクティブコンターモデル（パラギオスデリッチェ）と地域ベースのACモデル（Rousson-Deriche）を含む）との定量的かつ定性的比較は、196のデジタ化された前立腺組織病理学画像を介して、HNCUT-CGACがアートハイブリッドに存在することを示唆しています。私たちの結果は、HNCUT-CGACが計算上効率的であり、さまざまな問題やアプリケーションに簡単に適用できることを示しています。

In this paper a minimally interactive high-throughput system which employs a color gradient based active contour model for rapid and accurate segmentation of multiple target objects on very large images is presented. While geodesic active contours (GAC) have become very popular tools for image segmentation, they tend to be sensitive to model initialization. A second limitation of GAC models is that the edge detector function typically involves use of gray scale gradients; color images usually being converted to gray scale, prior to gradient computation. For color images, however, the gray scale gradient image results in broken edges and weak boundaries, since the other channels are not exploited in the gradient computation. To cope with these limitations, we present a new GAC model that is driven by an accurate and rapid object initialization scheme; hierarchical normalized cuts (HNCut). HNCut draws its strength from the integration of two powerful segmentation strategies-mean shift clustering and normalized cuts. HNCut involves first defining a color swatch (typically a few pixels) from the object of interest. A multi-scale, mean shift coupled normalized cuts algorithm then rapidly yields an initial accurate detection of all objects in the scene corresponding to the colors in the swatch. This detection result provides the initial contour for a GAC model. The edge-detector function of the GAC model employs a local structure tensor based color gradient, obtained by calculating the local min/max variations contributed from each color channel. We show that the color gradient based edge-detector function results in more prominent boundaries compared to the classical gray scale gradient based function. By integrating the HNCut initialization scheme with color gradient based GAC (CGAC), HNCut-CGAC embodies five unique and novel attributes: (1) efficiency in segmenting multiple target structures; (2) the ability to segment multiple objects from very large images; (3) minimal human interaction; (4) accuracy; and (5) reproducibility. A quantitative and qualitative comparison of the HNCut-CGAC model against other state of the art active contour schemes (including a Hybrid Active Contour model (Paragios-Deriche) and a region-based AC model (Rousson-Deriche)), across 196 digitized prostate histopathology images, suggests that HNCut-CGAC is able to outperform state of the art hybrid and region based AC techniques. Our results show that HNCut-CGAC is computationally efficient and may be easily applied to a variety of different problems and applications.