[論文レビュー] Automated Unsupervised Segmentation of Liver Lesions in CT scans via Cahn-Hilliard Phase Separation

Jana Lipková, Markus Rempfler+3 more|arXiv (Cornell University)|Apr 7, 2017

Hydrocarbon exploration and reservoir analysis参考文献 7被引用数 8

ひとこと要約

本稿では、Cahn-Hilliard相分離方程式を用いて、ノイズの多いCTスキャンから低信号強度の病変を強調・分離することで、健康な肝臓組織と病変組織の混合物として肝臓組織をモデル化する、3次元の教師なし肝病変セグメンテーション手法を提案する。この手法は、相分離後の強度ベースのしきい値処理のみを用いて、3Dircadbで0.61 ± 0.22、LITS-hypoで0.53 ± 0.27の最先端のDiceスコアを達成し、ノイズ、金属アーチファクト、低コントラスト病変に対して高い耐性を示した。

ABSTRACT

The segmentation of liver lesions is crucial for detection, diagnosis and monitoring progression of liver cancer. However, design of accurate automated methods remains challenging due to high noise in CT scans, low contrast between liver and lesions, as well as large lesion variability. We propose a 3D automatic, unsupervised method for liver lesions segmentation using a phase separation approach. It is assumed that liver is a mixture of two phases: healthy liver and lesions, represented by different image intensities polluted by noise. The Cahn-Hilliard equation is used to remove the noise and separate the mixture into two distinct phases with well-defined interfaces. This simplifies the lesion detection and segmentation task drastically and enables to segment liver lesions by thresholding the Cahn-Hilliard solution. The method was tested on 3Dircadb and LITS dataset.

研究の動機と目的

• CTスキャンにおける自動肝病変セグメンテーションの挑戦に取り組むこと。これは、高ノイズ、低コントラスト、病変の多様性によって妨げられている。
• アノテーション付き学習データや人為的介入に依存しない教師なし手法を開発することで、手動または準自動的手法よりも再現性を高めること。
• 相分離の物理的原理を活用して病変の可視性を向上させ、エネルギー最小化拡散を介して正確なセグメンテーションを可能にすること。
• 金属インプラントや異なる撮影プロトコルに起因する画像強度の不均一性などのアーチファクトに対して、手法の耐性を評価すること。
• Cahn-Hilliard解の単純なしきい値処理が、複雑な学習部品を必要とせずに、競争力のあるセグメンテーション性能を達成できることを示すこと。

提案手法

• 本手法は、健康な肝臓と病変組織の2相混合物としてCT肝臓をモデル化し、相分離を促進するためにCahn-Hilliard方程式を用いる。
• 空間的離散化には有限差分法、時間積分には前進オイラー法を用い、計算効率を高めるためにマルチスケール自己適応グリッドを導入する。
• 自由エネルギー関数は、二重井戸ポテンシャル $ f(\psi) = \frac{1}{4}\psi^2(1-\psi)^2 $ で定義され、2つの明確な相への分離を促進する。
• 化学ポテンシャル $ \mu $ は自由エネルギーの変分導関数として導出され、病変体積の保存と長距離拡散の防止を目的として、移動度 $ M(\psi) = \sqrt{4f(\psi)} $ を採用する。
• フェーズフィールドの双曲正接近似を用いてソフト確率的セグメンテーションを計算し、最終的な病変マスクを[0.15, 1]でのしきい値処理により得る。
• 本手法は本質的にエッジ保持型であり、絶対値ではなく相対的強度差に依存するため、強度変動に対して頑健である。

実験結果

リサーチクエスチョン

• RQ1 Cahn-Hilliard相分離フレームワークは、学習データを必要とせず、3次元CTスキャンにおける低信号強度の肝病変の強調とセグメンテーションを効果的に行えるか？
• RQ2 金属インプラントや画像強度の不均一性といった一般的な画像アーチファクトの影響下でも、本手法はどのように性能を発揮するか？
• RQ3 低コントラストや小さな病変の状況下で、本手法は手動セグメンテーションと比較して、病変境界をどの程度正確に保持できるか？
• RQ4 Diceスコアと検出率の観点から、本手法のCahn-Hilliardベースのセグメンテーションは、従来の教師ありおよび教師なし手法と比較して、どの程度優れているか？
• RQ5 化学ポテンシャルやフェーズモデルを変更することで、本手法は他の臓器や画像モodalitiesへ一般化可能か？

主な発見

• Cahn-Hilliardセグメンテーション（CHS）は、3Dircadbデータセットで0.61 ± 0.22のDiceスコアを達成し、本研究で報告された畳み込みニューラルネットワークベースラインを上回った。
• LITS-hypoサブセットでは、0.53 ± 0.27のDiceスコアを達成したが、感度（0.70 ± 0.21）は高く、精度（0.52 ± 0.30）は低く、小さな病変や誤検出に対して課題を示した。
• 金属アーチファクトや強度変動に対して本手法は頑健であった。絶対的強度シフトや高コントラストインプラントの影響を受けなかった。
• CHS手法は病変境界を良好に保持しており、特に低コントラスト領域や複雑な解剖学的構造部において、手動セグメンテーションよりも過剰にセグメンテーションされにくい傾向にあった。
• LITS-hypoセットでは0.85 ± 0.20の検出率を達成し、小さな病変や希少病変の状況下でも、強力な病変局在能力を示した。
• 本手法は計算的にも効率的であり、4コアシステムで1肝臓ボリュームあたり約7分のシミュレーション時間で実現可能であり、臨床応用に適している。