[論文レビュー] Automatic 3D Liver Segmentation Using Sparse Representation of Global and Local Image Information via Level Set Formulation

Saif Dawood Salman Al-Shaikhli, Michael Ying Yang+1 more|arXiv (Cornell University)|Aug 6, 2015

Medical Image Segmentation Techniques参考文献 10被引用数 30

ひとこと要約

本稿では、グローバル（領域ベース）およびローカル（ボクセル単位）の画像特徴のスパース表現を用いて強化されたレベルセット定式化を用いた、新しい3次元肝臓セグメンテーションフレームワークを提案する。MICCAI-SLiver07データセットからK-SVDを用いて学習した2つの辞書（グローバル画像特徴用とローカル形状事前知識用）により、最先端の性能を達成し、MICCAI-SLiver07のテストセットで79.6%のセグメンテーション精度を達成した。これは、35の先行手法を上回った。

ABSTRACT

In this paper, a novel framework for automated liver segmentation via a level set formulation is presented. A sparse representation of both global (region-based) and local (voxel-wise) image information is embedded in a level set formulation to innovate a new cost function. Two dictionaries are build: A region-based feature dictionary and a voxel-wise dictionary. These dictionaries are learned, using the K-SVD method, from a public database of liver segmentation challenge (MICCAI-SLiver07). The learned dictionaries provide prior knowledge to the level set formulation. For the quantitative evaluation, the proposed method is evaluated using the testing data of MICCAI-SLiver07 database. The results are evaluated using different metric scores computed by the challenge organizers. The experimental results demonstrate the superiority of the proposed framework by achieving the highest segmentation accuracy (79.6\%) in comparison to the state-of-the-art methods.

研究の動機と目的

• CTスキャンにおける肝臓セグメンテーションの課題、特に重なった臓器境界や高い解剖学的可変性に対処すること。
• レベルセットフレームワークにグローバルな領域ベースとローカルなボクセル単位の画像情報の両方を統合することで、セグメンテーション精度を向上させること。
• 既存の最先端手法を上回る、完全に自動化された3次元セグメンテーション手法を開発すること。
• 辞書学習とスパースコーディングを活用して、複雑な非線形な画像分布をモデル化し、肝臓と周囲の組織をよりよく分離すること。
• 標準化されたMICCAI-SLiver07ベンチマークを用いて、きめ細やかなチャレンジ組織の評価指標による手法の妥当性を検証すること。

提案手法

• データ項と正則化項を組み合わせた新しいエネルギー関数を用いたレベルセット定式化を採用する。
• グローバル画像特徴（テクスチャ、Hounsfield単位（HU）、ボリューム特性など）からK-SVDを用いて領域ベースの特徴辞書を学習する。
• 訓練データからのローカル形状事前知識を符号化するため、ボクセル単位の辞書をK-SVDを用いて学習する。
• レベルセットエネルギー関数のデータ項に、両方の辞書からのスパース表現を組み込むことで、セグメンテーションをガイドする。
• 正則化項を、学習済みのボクセル単位の辞書から得られる形状事前知識を組み込むように変更する。
• チャレンジ主催者から提供された標準的な指標を用いて、MICCAI-SLiver07の公開データセット上でフレームワークを訓練および評価する。

実験結果

リサーチクエスチョン

• RQ1 グローバルおよびローカルのスパース表現の統合は、CT画像における3次元肝臓セグメンテーション精度の向上に寄与するか？
• RQ2 領域ベースとボクセル単位の辞書学習を組み合わせることで、重なった臓器境界が存在する状況下でのセグメンテーション性能はどのように向上するか？
• RQ3 二重辞書によるスパース表現を用いた本手法のレベルセット定式化は、MICCAI-SLiver07ベンチマークで既存の最先端手法を上回るか？
• RQ4 K-SVDで学習された辞書は、肝臓の強度および形状分布の非線形的可変性をどの程度正確に捉えられるか？
• RQ5 大規模なトレーニングデータセットに依存せずに、完全に自動化された3次元セグメンテーション手法が優れた結果を達成できるか？

主な発見

• 提案手法は、MICCAI-SLiver07チャレンジに提出された35の自動手法の中で最高の79.6%のセグメンテーション精度を達成した。
• グローバルおよびローカルのスパース表現を活用することで、最高の先行手法（77.3%の精度）を上回った。
• 平均対称表面距離（AvgD）は0.95 mmであり、セグメンテーションの表面レベルでの高精度を示している。
• 平均二乗対称表面距離（RMSD）は1.58 mmであり、境界の一致性が優れていることを示している。
• VOE（ボリュームオーバーラップ誤差）は6.44%であり、正解セグメンテーションとの高い重複度を示している。
• 結果は公式なMICCAI-SLiver07チャレンジ主催者によって検証され、セグメンテーション精度で1位にランクされた。