윤곽선 초기화(initialization)와 수치적 중단 조건은 액티브 컨투어(active-contour) 분할 평가에 함께 영향을 미칠 수 있습니다. 본 연구에서는 크기가 조정된 ISIC 2017 미러 데이터셋에서 오픈소스 scikit-image Chan-Vese 구현을 사용하여 이 둘의 상호작용을 조사합니다. 100장의 이미지로 구성된 고정 개발 셋을 통해 공통 입력 채널을 선택한 후, 저장소의 홀드아웃(held-out) 분할에 속한 600장의 전체 이미지를 평가합니다. 기본 및 더 엄격한 레벨셋 허용 오차 조건 하에서 오츠(Otsu) 임계값 처리를 체커보드, 디스크, 오츠 방식으로 초기화된 윤곽선과 비교합니다. 기본 허용 오차에서 오츠 초기화는 체커보드 초기화 대비 평균 이미지 Dice 점수를 0.6011에서 0.6660으로 향상시키며, 이는 0.0649의 대응 차이(95% 이미지 부트스트랩 신뢰구간 [0.0452, 0.0860])를 보입니다. 오츠 임계값 처리 단독으로는 0.6897을 달성합니다. 기본 디스크 초기화 방식은 471장의 이미지에서 단 1회 반복(iteration) 후 중단됩니다. 허용 오차를 엄격하게 설정하면 체커보드 초기화 대비 오츠 시드의 이점이 0.0197로 감소하며, 대부분의 실행이 500회 반복 한계에 도달합니다. 기본 허용 오차에서의 이점 또한 병변 크기 계층(소형 병변 및 대형 병변) 간에 뒤바뀝니다. 이러한 결과는 범용 초기화 방식 대비 개선이 이루어지더라도 임계값 기준선(baseline) 대비 성능 저하와 공존할 수 있음을 보여줍니다. 따라서 향후 평가에서는 정제되지 않은 마스크를 비교 대상으로 유지해야 하며, 초기 필드 정의, 중단 허용 오차, 그리고 관측된 반복 횟수를 함께 보고해야 합니다.
본 논문에서는 I-divergence-TV 노이즈 제거 모델을 기반으로 한 새로운 국소 통계적 변분 능동 윤곽 모델을 제안한다. 이 모델은 측지 능동 윤곽(GAC, Geodesic Active Contour) 모델과 에지 없는 능동 윤곽(ACWE, Active Contours Without Edges) 모델을 결합한 것으로, 곱셈적 감마 노이즈에 의해 손상된 이미지의 분할에 활용할 수 있다. 제안된 모델의 레벨 셋 진화(LSE, Level Set Evolution) 방정식에 확산 항을 추가함으로써 반응-확산(RD, Reaction-Diffusion) 방정식을 구성하며, 이를 통해 레벨 셋 함수(LSF, Level Set Function)를 각 분할 도메인에서 구간별 상수로 점진적으로 정규화하여 안정적인 해를 얻는다. 나아가 근접 항을 추가하여 제안된 모델을 일반적인 ROF 모델로 변환하며, Jia-Zhao가 제안한 빠른 노이즈 제거 알고리즘으로 풀 수 있을 뿐만 아니라 BM3D 및 NLM 노이즈 제거 알고리즘으로도 풀 수 있다. 이는 또한 다변량 분리 알고리즘에서 발생하는 형식적으로 일반화된 ROF 유사 부분 문제들에 대한 통합적 해 프레임워크를 제공한다.
본 논문에서는 Aubert-Aujol(AA) 잡음 제거 모델을 기반으로 한 새로운 변분 활성 윤곽선 모델을 제안한다. 이 모델은 측지 활성 윤곽선(GAC) 모델과 에지 없는 활성 윤곽선(ACWE) 모델을 결합하여 곱셈 감마 잡음으로 손상된 이미지를 분할하는 데 사용할 수 있다. 제안 모델에 근접항을 추가하여 고전 ROF 모델로 변환한다. [26]은 2013년 8월 29일에 제출되었고, 본 논문의 초기 버전은 2012년 6월 12일 TGRS에 제출된 바 있으며, Venkatakrishnan 등[27]은 2013년 5월 29일에 PnP 알고리즘을 제안하였으므로, Venkatakrishnan과 본 저자들은 PnP 알고리즘을 거의 동시에 제안한 셈이다. 최근 Jia-Zhao가 제안한 고속 잡음 제거 알고리즘에서 영감을 받아, SAR 이미지 분할 문제를 해결하기 위한 두 가지 고속 고정점 알고리즘을 제안한다.
본 논문에서는 승법적 감마 잡음이 포함된 합성 개구 레이더(SAR) 영상의 이미지 분할을 위해 I-divergence-TV 모델에 기반한 새로운 변분 활성 윤곽 모델을 제안한다. 이 모델은 에지 기반 모델과 영역 기반 모델을 혼합한 것으로, 약하거나 흐릿한 에지에서 윤곽의 진행을 효율적으로 정지시킬 수 있으며, 영상의 외부 및 내부 경계를 자동으로 검출할 수 있다. 나아가 근접항(proximity term)을 추가하여 제안된 모델을 일반 ROF 모델로 변환하였으며, 이를 Jia-Zhao가 제안한 고속 잡음 제거 알고리즘이나 BM3D 및 NLM 잡음 제거 알고리즘으로 풀 수 있다. 이는 또한 다변수 분리 알고리즘[25]에서 발생하는 형식적으로 일반화된 ROF 유사 부분문제들에 대한 통합 해법 프레임워크를 제공한다. [25]는 2013년 8월 29일에 제출되었으며, 본 논문의 초기 버전은 2012년 6월 12일에 TGRS에 제출된 바 있다. Venkatakrishnan 등[26]은 2013년 5월 29일에 PnP 알고리즘을 제안하였으므로, Venkatakrishnan과 본 연구진은 PnP 알고리즘을 거의 동시에 제안한 것이다.
본 논문에서는 Aubert-Aujol(AA) 디노이징 모델과 변분 레벨 셋 방법에 기반한 새로운 국소 통계 활성 윤곽 모델(LACM, Locally Statistical Active Contour Model)을 제안한다. 이 모델은 강도 불균일성이 존재하는 SAR 이미지 분할에 활용될 수 있다. 이후 볼록 완화(convex relaxation) 기법을 적용하여 제안된 모델을 전역 최적화 모델로 변환한다. 먼저, Split Bregman 기법을 이용하여 전역 최적화 모델을 Shrink 연산자와 Laplace 연산자의 두 교번 최적화 과정으로 변환하며, 이를 SB_LACM 모델이라 명명한다. 또한, SB_LACM 모델보다 효율적인 두 가지 빠른 모델을 제안하여 전역 최적화 모델을 해결한다. 첫 번째 모델은 근위 함수(proximal function)를 추가하여 전역 최적화 모델을 일반 ROF 모델[29]로 변환하는 것으로, R.-Q. Jia와 H. Zhao가 제안한 빠른 디노이징 알고리즘으로 해결할 수 있다. [29]는 2013년 8월 29일에 제출되었으며, 본 논문의 초기 버전은 2012년 6월 12일에 TGRS에 제출된 바 있다. Venkatakrishnan 등[30]은 2013년 5월 29일에 PnP(Plug-and-Play) 알고리즘을 제안하였으므로, Venkatakrishnan과 본 연구는 PnP 알고리즘을 거의 동시에 제안한 것이다. 이를 통해 편미분 방정식이나 차분 방정식을 포함하지 않고 단순한 차분 연산만을 필요로 하는 전역 최적화 기반의 빠른 이미지 분할 알고리즘을 얻는다. 두 번째 모델은 첫 번째 모델과 다른 분리 방식을 사용하여 전역 최적화 모델을 미분 가능한 항과 일반 ROF 모델 항으로 변환하며, 첫 번째 모델과 동일한 기법으로 해결할 수 있다.
골반 분할은 골반 골절의 정밀하고 지능적인 진단 및 치료, 그리고 수술 계획 및 네비게이션에서 가장 중요하고 기초적인 연구 문제 중 하나입니다. 개선된 측지 활성 등고선(geodesic active contour) 모델과 심층 신경망을 결합하여, 우리는 다중 클래스 골반 분할을 위한 해석 가능한 모델-데이터 기반 지능형 알고리즘인 GUMP-Net을 제안합니다. 이 알고리즘은 전체 분할 프레임워크를 구성하기 위해 세 가지 네트워크 모듈로 설계되었습니다: 자동 레벨 세트 초기화를 위한 객체 검출(object detection) 모듈, 해부학적 인식 에지 검출 함수를 학습하기 위한 에지 검출기 모듈, 그리고 심층 레벨 세트 진화를 위한 반복(iteration) 모듈입니다. 레벨 세트 표현과 심층 학습의 장점을 활용하여, GUMP-Net은 최신 기법들과 비교했을 때, 특히 소량 학습 데이터 상황에서 더 정확하고 강인하며 일관된 분할 성능을 보여줍니다. 골반 데이터셋에 대한 광범위한 실험을 통해 제안된 알고리즘의 합리성과 효과성을 입증했습니다. 발목 데이터셋으로 확장한 추가 실험은 다른 해부학적 구조로의 광범위한 응용 가능성을 시사합니다. 제안된 알고리즘은 복잡한 골절 정복을 위한 효율적인 분할 방법을 제공할 뿐만 아니라, 심층 학습 분할을 이해하기 위한 해석 가능한 기하학적 관점을 제공합니다.