[論文レビュー] Automated segmentation of the pulmonary arteries in low-dose CT by vessel tracking

Jeremiah A. Wala, Sergei V. Fotin+4 more|arXiv (Cornell University)|Jun 27, 2011

Lung Cancer Diagnosis and Treatment参考文献 8被引用数 5

ひとこと要約

本稿では、気管支の近接性とモデルベースの円筒フィッティングを用いた血管追跡によって、低線量CTスキャンにおける肺動脈を完全に自動でセグメンテーションする手法を提示する。特異度90%、平均セグメンテーション誤差0.15 mmを達成し、複雑な血管木構造の効率的検証を可能にする新規なスパースサーフェスメトリックを導入している。

ABSTRACT

We present a fully automated method for top-down segmentation of the pulmonary arterial tree in low-dose thoracic CT images. The main basal pulmonary arteries are identified near the lung hilum by searching for candidate vessels adjacent to known airways, identified by our previously reported airway segmentation method. Model cylinders are iteratively fit to the vessels to track them into the lungs. Vessel bifurcations are detected by measuring the rate of change of vessel radii, and child vessels are segmented by initiating new trackers at bifurcation points. Validation is accomplished using our novel sparse surface (SS) evaluation metric. The SS metric was designed to quantify the magnitude of the segmentation error per vessel while significantly decreasing the manual marking burden for the human user. A total of 210 arteries and 205 veins were manually marked across seven test cases. 134/210 arteries were correctly segmented, with a specificity for arteries of 90%, and average segmentation error of 0.15 mm. This fully-automated segmentation is a promising method for improving lung nodule detection in low-dose CT screening scans, by separating vessels from surrounding iso-intensity objects.

研究の動機と目的

• 対比が低い低線量CTスキャンにおいて、肺動脈を完全に自動でセグメンテーションする手法を開発すること。
• コントラストが低くノイズが多い低線量CT画像において、強度が類似した動脈と静脈の木構造を分離する課題に対処すること。
• 事前に開発された気管支セグメンテーションアルゴリズムを用いて、気管支に近接する自動的な初期シードポイントの検出により、手動でのシード選択を排除すること。
• 肺動脈を正確に分離することで、肺塞栓症スクリーニングにおける肺結節検出を向上させ、誤検出を低減すること。
• 血管木構造の評価において、正確性を維持しつつも手動マーキングの負担を軽減する新規で効率的な検証メトリック「スパースサーフェス（SS）」を導入すること。

提案手法

• 血管追跡用のシードポイントは、分離済みの気管支に近接して探索されることで自動的に検出され、気管支と肺動脈の解剖学的近接性を活用する。
• モデルベースの円筒血管トラッカーは、幾何学的および強度的制約を用いて、血管経路に段階的に円筒をフィットさせ、肺実質内を動脈に従って追跡する。
• 分岐点は血管径の変化率を分析することで検出され、これらの点で新たなトラッカーが起動され、娘血管がセグメンテーションされる。
• 本手法は3段階の前処理パイプラインを用いる：ノイズ低減のためのメディアンフィルタリング、軟部組織の分離のためのHounsfield単位のしきい値処理、および膨張と差分処理による気管支壁の除去。
• コントラスト増強を必要とせず、予測可能な分岐幾何学的形状と相対的解剖学的位置に基づいて、動脈と静脈の分離を維持する。
• 新規なスパースサーフェス（SS）メトリックを検証に用い、血管ごとのセグメンテーションの正確性と完全性を評価するための手動マーキングをスパースに制限する。

実験結果

リサーチクエスチョン

• RQ1 手動でのシード選択を一切行わず、完全に自動化された手法が低線量CTスキャンにおける肺動脈を正確にセグメンテーションできるか？
• RQ2 非対照的で低コントラストな低線量CTにおいて、強度が類似した動脈と静脈の木構造を信頼性高く分離できるか？
• RQ3 円筒フィッティングを用いたモデルベースの血管追跡アプローチが、ノイズが多くコントラストが低い環境下でセグメンテーションの正確性をどの程度向上できるか？
• RQ4 スパースサーフェスマーキング方式は、複雑な血管木構造の検証において、密な手動セグメンテーションの代替として信頼的かつ効率的であると評価できるか？
• RQ5 アルゴリズムの主な失敗モードは何か。今後のバージョンでどのように是正できるか？

主な発見

• 本手法はテストケースにおいて210本中134本の肺動脈を正常にセグメンテーションし、動脈構造の特異度が90%に達した。
• 平均セグメンテーション誤差は0.15 mmであり、血管経路再構築における高い幾何学的正確性を示している。
• スパースサーフェス（SS）メトリックにより、手動マーキングの数を管理可能に保ちつつ、7つのテストケースにわたる効率的検証が可能になった。
• 主な誤差原因は、高ノイズ領域や異常解剖学的構造部における肺静脈への誤追跡であり、特にその領域で顕著であった。
• 非常に小さな小葉動脈では、ノイズや小血管におけるMurrayの法則からの逸脱により、分岐点検出に失敗した。
• 本手法は大動脈幹およびその初期分岐部のセグメンテーションにおいて頑健であったが、一部の小さな血管や異常サイズの血管、特に三叉分岐部では欠落を示した。