[論文レビュー] A Flexible Semi-Automatic Approach for Glioblastoma multiforme Segmentation

Jan Egger, M. Bauer+5 more|arXiv (Cornell University)|Jan 1, 2010

Medical Image Segmentation Techniques参考文献 13被引用数 21

ひとこと要約

本論文では、多項式時間のs-tカットを用いて最小コスト閉集合を計算することで、腫瘍境界をモデル化する新しい球面3次元グラフに基づく、柔軟な準自動グリオブラストーマ多形性（GBM）セグメンテーション手法を提示する。本手法は、ユーザーが任意のシードポイントを追加することでグレーバリューおよび幾何的制約を強化でき、12例のMRIデータセットで平均83.91%のDice類似係数（DSC）を達成し、ワンクリック手法を著しく上回るセグメンテーション精度を実現した。

ABSTRACT

Gliomas are the most common primary brain tumors, evolving from the cerebral supportive cells. For clinical follow-up, the evaluation of the preoperative tumor volume is essential. Volumetric assessment of tumor volume with manual segmentation of its outlines is a time-consuming process that can be overcome with the help of segmentation methods. In this paper, a flexible semi-automatic approach for grade IV glioma segmentation is presented. The approach uses a novel segmentation scheme for spherical objects that creates a directed 3D graph. Thereafter, the minimal cost closed set on the graph is computed via a polynomial time s-t cut, creating an optimal segmentation of the tumor. The user can improve the results by specifying an arbitrary number of additional seed points to support the algorithm with grey value information and geometrical constraints. The presented method is tested on 12 magnetic resonance imaging datasets. The ground truth of the tumor boundaries are manually extracted by neurosurgeons. The segmented gliomas are compared with a one click method, and the semi-automatic approach yields an average Dice Similarity Coefficient (DSC) of 77.72% and 83.91%, respectively.

研究の動機と目的

• 膠腫瘍多形性（GBM）の臨床的フォローアップにおける腫瘍体積の手動セグメンテーションの時間的負担を軽減すること。
• 完全自動のワンクリック手法よりも精度を向上させる、柔軟な準自動セグメンテーション手法を開発すること。
• ユーザーが提供するシードポイントを統合することで、グレーバリューおよび幾何的制約を強化し、セグメンテーションを向上させること。
• エキスパートの手動セグメンテーションをゴールドスタンダードとして、Dice類似係数（DSC）を用いて本手法の評価を行うこと。

提案手法

• 腫瘍内にユーザーが定義した中心点から放射線を発射し、球面多面体を形成することで、有向3次元グラフを構築する。
• 各放射線に沿ってノードをサンプリングし、潜在的なセグメンテーション表面を表現する。
• 多項式時間のs-tカットアルゴリズムを用いてグラフ上の最小コスト閉集合を計算し、最適な腫瘍境界を特定する。
• 追加の強度および空間的制約を提供するために、ユーザーが任意のシードポイントを追加できる。
• ノードコストは画像強度（グレーバリュー）から導出され、エッジコストは空間的連続性を強制するグラフベースのフレームワークを採用する。
• 効率的な3次元MRI処理を実現するため、C++で実装し、MeVisLab医療画像処理プラットフォームを用いる。

実験結果

リサーチクエスチョン

• RQ1 球面3次元グラフを用いたグラフベースのセグメンテーション手法は、ワンクリック手法と比較して、GBM腫瘍体積のセグメンテーション精度を向上させることができるか？
• RQ2 ユーザー定義のシードポイントの導入は、複雑で不規則な形状のグリオブラストーマにおいて、セグメンテーション精度にどのように影響を与えるか？
• RQ3 準自動的手法は、エキスパートの手動描画と高い類似性を維持しながら、どの程度手動セグメンテーションの時間を短縮できるか？
• RQ4 本手法は、腫瘍形態や強度特性が異なる多様なGBM症例に一般化可能か？

主な発見

• 15～75個の追加シードポイントを用いた場合、準自動手法は平均83.91%のDice類似係数（DSC）を達成し、ワンクリック手法を著しく上回った。
• ワンクリック手法単体では平均77.72%のDSCを示し、ユーザーのインタラクションによる改善の余地が顕著に存在した。
• アルゴリズムは標準的なハードウェアでも30秒未満でセグメンテーションを完了し、計算効率が優れていることが確認された。
• 視覚的結果から、追加のシードポイントが、複雑な領域や強化が乏しい領域における腫瘍領域の漏れを是正していることが確認された。
• 腫瘍体積が2.38 cm³から86.91 cm³までの12例の多様なGBM MRIデータセットにおいて、本手法は頑健性を示した。
• ユーザーが提供する制約を効果的に統合し、最終的なセグメンテーション表面が重要な解剖学的および強度ベースの特徴を尊重していることが確認された。