[論文レビュー] A Novel Method for Automatic Segmentation of Brain Tumors in MRI Images

Saeid Fazli, Parisa Nadirkhanlou|arXiv (Cornell University)|Dec 29, 2013

Medical Image Segmentation Techniques参考文献 18被引用数 13

ひとこと要約

本論文では、非定型拡散、頭蓋骨ストリッピング、および高速バウンディングボックス（FBB）アルゴリズムを用いた前処理により、T2強調MRI画像における脳腫瘍のセグメンテーションを自動的・非教師ありで行う手法を提案する。本手法は、選択された中心腫瘍点を分類に用いるワンクラスSVMを採用し、10名の患者から得られた100例のMRIスキャンデータセットにおいて高い正確性と信頼性を達成しており、放射線科医が腫瘍の大きさや位置を推定するのを顕著に支援する。

ABSTRACT

The brain tumor segmentation on MRI images is a very difficult and important task which is used in surgical and medical planning and assessments. If experts do the segmentation manually with their own medical knowledge, it will be time-consuming. Therefore, researchers propose methods and systems which can do the segmentation automatically and without any interference. In this article, an unsupervised automatic method for brain tumor segmentation on MRI images is presented. In this method, at first in the pre-processing level, the extra parts which are outside the skull and don't have any helpful information are removed and then anisotropic diffusion filter with 8-connected neighborhood is applied to the MRI images to remove noise. By applying the fast bounding box(FBB) algorithm, the tumor area is displayed on the MRI image with a bounding box and the central part is selected as sample points for training of a One Class SVM classifier. A database is also provided by the Zanjan MRI Center. The MRI images are related to 10 patients who have brain tumor. 100 T2-weighted MRI images are used in this study. Experimental results show the high precision and dependability of the proposed algorithm. The results are also highly helpful for specialists and radiologists to easily estimate the size and position of a tumor.

研究の動機と目的

• MRIにおける脳腫瘍の手動セグメンテーションの時間的負担を軽減するため、自動的かつ専門家に依存しない手法を開発すること。
• ノイズや強度不均一性を伴う複雑なMRIスキャンにおけるセグメンテーションの正確性と信頼性を向上させること。
• 正確で自動的な腫瘍の大きさと位置の推定を放射線科医および神経外科研に支援すること。
• 研究利用を目的として、10名の患者から得られた100例のT2強調MRIスキャンの公開データベースを提供すること。

提案手法

• 前処理には、非脳構造およびノイズ低減のための頭蓋骨ストリッピングと、8近傍ノードを用いた非定型拡散処理が含まれる。
• 高速バウンディングボックス（FBB）アルゴリズムにより腫瘍領域が特定され、分類器のトレーニングサンプルとして中心領域が選択される。
• ワンクラスSVMは、腫瘍領域のサンプルにのみ特化してトレーニングされ、腫瘍の固有の特徴を学習する。
• 本手法は非教師ありに動作し、手動ラベリングや事前セグメンテーションを一切必要としない。
• 本手法は、ザンジャンMRIセンターから収集した100例のT2強調MRI画像のカスタムデータベースを活用している。

実験結果

リサーチクエスチョン

• RQ1 手動による介入なしに、高精度な脳腫瘍セグメンテーションを達成できる非教師あり手法は存在するか？
• RQ2 FBBとワンクラスSVMの組み合わせは、ノイズの多いMRIスキャンにおける腫瘍領域の局所化および分類にどの程度有効か？
• RQ3 本手法は、臨床的応用において腫瘍の大きさと位置の推定の正確性と効率性をどの程度向上させるか？
• RQ4 本手法は、多様なMRI強度パターンや腫瘍形態に対してどの程度頑健か？

主な発見

• 提案手法は、10名の患者から得られた100例のT2強調MRI画像において、脳腫瘍のセグメンテーションにおいて高い正確性と信頼性を達成した。
• FBBによる腫瘍領域の局所化により、ワンクラスSVMトレーニングのための中心腫瘍点の有効なサンプリングが可能になった。
• 非定型拡散フィルタリングにより、前処理段階でノイズが顕著に低減されつつ、腫瘍の境界が保持された。
• 本手法は、腫瘍の大きさと位置の正確で自動的な推定を可能にするため、臨床応用への強い可能性を示した。