[論文レビュー] A Time Series Graph Cut Image Segmentation Scheme for Liver Tumors

Laramie Paxton, Yufeng Cao+4 more|arXiv (Cornell University)|Sep 13, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 29被引用数 3

ひとこと要約

本稿では、時間的系列強度特徴量と正規化エネルギー項を用いてλ最適化を排除する、半自動的なグラフカット手法を提案する。2次元CTスキャンにおける肝腫瘍セグメンテーションに適用され、トレーニングデータを必要とせず、1スライスあたり1.25分の処理時間で平均Dice類似係数0.77を達成した。

ABSTRACT

Tumor detection in biomedical imaging is a time-consuming process for medical professionals and is not without errors. Thus in recent decades, researchers have developed algorithmic techniques for image processing using a wide variety of mathematical methods, such as statistical modeling, variational techniques, and machine learning. In this paper, we propose a semi-automatic method for liver segmentation of 2D CT scans into three labels denoting healthy, vessel, or tumor tissue based on graph cuts. First, we create a feature vector for each pixel in a novel way that consists of the 59 intensity values in the time series data and propose a simplified perimeter cost term in the energy functional. We normalize the data and perimeter terms in the functional to expedite the graph cut without having to optimize the scaling parameter $λ$. In place of a training process, predetermined tissue means are computed based on sample regions identified by expert radiologists. The proposed method also has the advantage of being relatively simple to implement computationally. It was evaluated against the ground truth on a clinical CT dataset of 10 tumors and yielded segmentations with a mean Dice similarity coefficient (DSC) of .77 and mean volume overlap error (VOE) of 36.7%. The average processing time was 1.25 minutes per slice.

研究の動機と目的

• 放射線科医による正確なマニュアルセグメンテーションを困難にする、低コントラストで境界が不明瞭な肝腫瘍の課題に対処すること。
• マニュアルセグメンテーションに伴う時間的および変動要因を低減し、再現性を向上させること。
• 機械学習手法に一般的に見られるトレーニングデータの要件を回避する、計算効率の良い半自動的手法を開発すること。
• 時間的系列強度データを用いて、ノイズや弱い境界の影響を受けるセグメンテーションのロバスト性を向上させること。
• 術前計画や腫瘍ステージングに適した、迅速かつ正確で再現性のあるセグメンテーションを可能にすること。

提案手法

• 動的CTスキャンの59フェーズにおける強度値を用いて、1ピクセルあたり59次元の特徴ベクトルを構築し、組織の識別能を向上させる。
• 専門家が特定したROI領域からの事前定義された組織平均に基づくデータ適合項と、簡略化された周囲長コスト項を含むエネルギー関数を定式化する。
• エネルギー関数内のデータ項と周囲長項を正規化し、λパラメータの最適化の必要性を排除する。
• Boykov-Kolmogorovの最大フローアルゴリズムを用いて、2段階に分けてグラフカットを実行する：まず腫瘍と健常組織を分離し、次に血管と腫瘍組織を分離する。
• 2段階のセグメンテーションパイプラインを用いる：最初のカットで腫瘍と非腫瘍を分離し、その後で血管構造を分離する。
• 最大フロー最小カット定理を活用して、活性輪郭法で一般的に見られる局所最適解の問題を回避し、グローバルエネルギー最小化を効率的に計算する。

実験結果

リサーチクエスチョン

• RQ1 時間的系列強度データを特徴ベクトルに組み込むことで、境界が不明瞭でコントラストが低い肝腫瘍のグラフカットセグメンテーションのロバスト性が向上するか？
• RQ2 エネルギー関数内のデータ項と周囲長項を正規化することで、λパラメータのチューニングの必要性がなくなり、同時にセグメンテーションの正確性を維持できるか？
• RQ3 専門家が特定した組織平均に基づく半自動的手法は、大規模なトレーニングデータを必要とせず、競争力のある性能を達成できるか？
• RQ4 本手法は、既存のグラフカットおよび機械学習ベースの肝腫瘍セグメンテーション手法と比較して、正確性と速度の面で優れているか？
• RQ5 本手法は、小規模な腫瘍の検出および血管構造の正確なセグメンテーションにおいて、主にどのような限界を示しているか？

主な発見

• 本手法は、10例の臨床的肝腫瘍データセットにおいて、平均Dice類似係数（DSC）0.77を達成し、全体的なセグメンテーション性能が優れていることを示した。
• 平均ボリュームオーバーラップ誤差（VOE）は36.7%であり、これは比較的高いが、トレーニングなしという点を考慮すると、他のグラフカットベース手法と同等の水準であった。
• 平均処理時間は1スライスあたり1.25分であり、マニュアルセグメンテーションの平均4.2分/腫瘍と比較して顕著に高速であった。
• 他の9つの手法のうち5つよりも処理時間が速く、MIDASデータセットではマニュアルセグメンテーション（0.83）と同等のDSCスコアを達成した。
• 相対的ボリューム差（RVD）は35.1%とやや高く、主に過剰セグメンテーションと小規模な腫瘍の漏れによるものであり、小規模または低コントラストの病変に対する課題を示している。
• 2番目のグラフカット段階では血管セグメンテーションがうまくいかなかったため、血管構造のモデリングまたは前処理の改善が求められる。