[論文レビュー] A Review on Automated Brain Tumor Detection and Segmentation from MRI of Brain

Sudipta Roy, Sanjay Nag+2 more|arXiv (Cornell University)|Dec 16, 2013

Brain Tumor Detection and Classification参考文献 193被引用数 49

ひとこと要約

この論文は、脳のMRIスキャンにおける自動脳腫瘍検出およびセグメンテーション手法をレビューし、組織のばらつきや正常な脳構造との類似性といった課題に焦点を当てる。強度ベースのクラスタリング、領域拡張、機械学習などのさまざまな計算技術を評価し、手動セグメンテーションに比べて精度と効率を向上させる点での長所と短所を強調する。

ABSTRACT

Tumor segmentation from magnetic resonance imaging (MRI) data is an important but time consuming manual task performed by medical experts. Automating this process is a challenging task because of the high diversity in the appearance of tumor tissues among different patients and in many cases similarity with the normal tissues. MRI is an advanced medical imaging technique providing rich information about the human soft-tissue anatomy. There are different brain tumor detection and segmentation methods to detect and segment a brain tumor from MRI images. These detection and segmentation approaches are reviewed with an importance placed on enlightening the advantages and drawbacks of these methods for brain tumor detection and segmentation. The use of MRI image detection and segmentation in different procedures are also described. Here a brief review of different segmentation for detection of brain tumor from MRI of brain has been discussed.

研究の動機と目的

• MRIスキャンにおける脳腫瘍の検出およびセグメンテーションのための既存の自動手法を分析・比較すること。
• 組織の不均一性および正常脳構造との類似性に起因する腫瘍セグメンテーションの主な課題を特定すること。
• 画像処理および機械学習技術の臨床的状況におけるパフォーマンスと限界を評価すること。
• MRIベースの腫瘍検出ワークフローの包括的概要と、医療診断への統合を提供すること。

提案手法

• MRIデータを用いた脳腫瘍検出およびセグメンテーションに関する30件以上の研究を対象とした体系的レビュー。
• 強度ベース、領域拡張、機械学習アプローチに分類して手法を分類。
• セグメンテーションに向けたファジィc-平均クラスタリング、レベルセット法、サポートベクターマシンなどの技術を評価。
• ノイズ低減、バイアスフィールド補正、画像正規化を含む前処理ステップの分析。
• 患者データセット全体における精度と一般化性能の観点から、教師ありおよび教師なし学習モデルを比較。
• 手法評価において臨床的意義と計算効率を統合すること。

実験結果

リサーチクエスチョン

• RQ1 MRIスキャンからの脳腫瘍セグメンテーションの自動化における主な技術的課題は何か？
• RQ2 クラスタリング、領域拡張、機械学習などの異なるセグメンテーション技術は、精度と頑健性においてどのように比較されるか？
• RQ3 MRI画像の品質および前処理が、自動腫瘍検出システムのパフォーマンスに果たす役割は何か？
• RQ4 自動手法は、時間効率と臨床的有用性の観点から、手動セグメンテーションに比べてどのように比較されるか？
• RQ5 現在のアプローチが、患者間のばらつきおよび腫瘍の外観の多様性を処理する上で抱える限界は何か？

主な発見

• ファジィc-平均などの強度ベースの手法は中程度の精度を示すが、ノイズおよび強度不均一性に対処できず困難を抱える。
• 領域拡張技術は、シードポイントの選択および初期しきい値設定に敏感であり、頑健性が制限される。
• 特にSVMおよび教師あり分類器を含む機械学習モデルは、従来の手法に比べてセグメンテーション精度が向上している。
• クラスタリング＋レベルセット法などの複数の技術を組み合わせたハイブリッド手法は、単一手法に比べてより優れた結果をもたらす。
• バイアスフィールド補正などの前処理ステップは、すべての手法においてセグメンテーションパフォーマンスを顕著に向上させる。
• 進展は見られるが、腫瘍タイプやMRIシーケンスにかかわらず一貫した高精度を達成できる単一の手法は存在せず、さらなる研究の必要性が示唆される。