Atlas based method / Label fusion

1. Atlas

일반적으로 classification에서 training data라고 불리는 영상 $y_i$와 label $z_i$의 조합을 atlas라고 부른다. 즉, atlas 정보를 바탕으로 test data $x$에 대해 segmentation을 수행하는 것이다.

2. Registration

Atlas 기반의 알고리즘은 registration을 이용한다. Atlas 중 첫 번째 데이터 $y_1$, $z_1$이 입력 되었다고 가정하면, atlas image $y_1$을 test image $x$에 registration하는 transformation $T$를 계산한다.

그리고 label image $z_1$에 $T$를 적용해 $x$의 label image $T(z_1)$을 얻는다. 이러한 과정을 $N$개의 atlas data에 대해 반복해서 수행한다.

3. Voting

N개의 atlas data에 대한 segmentation result를 얻으면 voting 과정을 거처 최종 segmentation result를 얻는다.

4. Weight Voting

Atlas data의 $y_i$와 test data $x$ 간의 similarity를 계산하여 voting 시 weight로 사용할 수 있다.

5. Label fusion

Atlas 기반의 알고리즘은 atlas data가 많을 수록 더 좋은 성능을 내지만, 그에 따라 연산량이 증가한다는 단점이 있다. 또한 registration의 정확도에 segmentation 결과가 많은 영향을 받는다.

Non rigid registration은 높은 정확도를 보이지만 연산량이 많아 affine registration을 활용하는 방법이 있지만, 이 경우에는 정확도가 떨어져 별도의 post processing 과정이 필요하다. 이 과정을 label fusion이라 한다.

Label fusion은 patch 기반의 알고리즘이다. Atlas image $y_i$의 특정 영역에 대해 patch image를 추출하고 동일한 크기의 patch를 test image $x$의 모든 부분을 지나가며 similarity를 계산하게 된다. 계산된 similarity를 $T(z_i)$에 pixel 별로 곱해주면 probability map을 얻을 수 있게 되며 이를 바탕으로 segmentation result를 얻는다.

Label fusion 방법은 사람마다 shape이 유사한 organ을 segmentation할 때, 별도의 학습 없이 좋은 결과를 얻을 수 있다. 또한 연산량을 줄이기 위해, 모든 atlas data에 대해 연산하는 것이 아니라, similarity가 높은 atlas data를 골라 사용하는 방법이 있다.