[論文レビュー] Cardiac MR Image Segmentation Techniques: an overview

Tizita Nesibu Shewaye|arXiv (Cornell University)|Feb 14, 2015

Medical Image Segmentation Techniques参考文献 20被引用数 4

ひとこと要約

本論文は、心筋マヒの画像分類技術について包括的な概要を提供し、特に左室および右室、そしてより困難な左房および右房を、領域ベース、エッジベース、アクティブな輪郭、アトラスベースの手法を用いて自動化された手法で分類することに焦点を当てている。主な貢献は、分類性能の比較的分析と、最先端の手法の統合であり、アクティブな輪郭法とアトラスベース手法が、ハイブリッドで粗いから細かいフレームワークを用いることでさらなる改善が期待できるという点が強調されている。

ABSTRACT

Broadly speaking, the objective in cardiac image segmentation is to delineate the outer and inner walls of the heart to segment out either the entire or parts of the organ boundaries. This paper will focus on MR images as they are the most widely used in cardiac segmentation -- as a result of the accurate morphological information and better soft tissue contrast they provide. This cardiac segmentation information is very useful as it eases physical measurements that provides useful metrics for cardiac diagnosis such as infracted volumes, ventricular volumes, ejection fraction, myocardial mass, cardiac movement, and the like. But, this task is difficult due to the intensity and texture similarities amongst the different cardiac and background structures on top of some noisy artifacts present in MR images. Thus far, various researchers have proposed different techniques to solve some of the pressing issues. This seminar paper presents an overview of representative medical image segmentation techniques. The paper also highlights preferred approaches for segmentation of the four cardiac chambers: the left ventricle (LV), right ventricle (RV), left atrium (LA) and right atrium (RA), on short axis image planes.

研究の動機と目的

• 心筋マヒ画像分類技術に特化した、初期の研究者を対象とした基礎的概要の提供。
• 特に低コントラストと複雑な解剖学的特徴により分類が難しい左房および右房を含む、4心腔の主要な分類戦略の特定と比較。
• Dice係数やHausdorff距離といった標準指標を用いて、分類アルゴリズムの性能評価。
• 強度ベースおよびしきい値処理手法の限界を強調し、アクティブな輪郭法やアトラスベース分類といったモデル駆動型手法の推奨。
• 今後の方向性として、複数の技術を統合したハイブリッドフレームワークや、粗いから細かい段階的フレームワークによる精度向上の可能性の提案。

提案手法

• 本論文は、短縮軸断層撮影における心筋マヒ画像に特化した、領域ベース、エッジベース、アクティブな輪郭、アトラスベースの手法に分類し、それらをレビューしている。
• 一般的な分類パイプラインを説明する：前処理（ノイズ低減、ROI選択）、学習済みモデルや画像の性質に基づく自動分類、およびユーザー入力を用いた誤差補正や精緻化を含む後処理。
• 左房分類に関しては、強度しきい値処理、シードポイントを用いた領域拡張、および大動脈検出にホフ変換を用いた手法、勾配に基づくアクティブな輪郭法を検討している。
• アトラスベース分類は、15例の手動でセグメント化されたテンプレートと、最大事後確率推定によるラベル統合を用いて詳細に説明されている。
• 主成分分析（PCA）を用いて得られた固有形状を用いて、レベルセット法に形状事前分布を組み込み、右房分類を支援している。
• 分類精度は、空間的重複度を評価するDice係数と、境界の最大差異を評価するHausdorff距離という2つの標準指標を用いて評価されている。

実験結果

リサーチクエスチョン

• RQ1 左室および右室は相対的に単純かつ一貫性のある形状を示すが、それらの分類において最も効果的な手法は何か？
• RQ2 左房および右房の分類が特に困難である理由は何か？ また、それらの課題を克服するために最も効果的な手法は何か？
• RQ3 アクティブな輪郭法とアトラスベース手法は、心筋マヒ画像分類において性能と頑健性の点でどのように比較できるか？
• RQ4 ハイブリッドまたはマルチステージアプローチ（例：粗いから細かい段階）は、分類精度をどの程度向上させるか？
• RQ5 形状事前分布と画像強度・勾配情報は、低コントラストな心筋構造の分類をどのように向上させるか？

主な発見

• 最大事後確率推定によるラベル統合を用いた15例の登録済みテンプレートを用いたアトラスベース分類は、他のアトラスベース手法と比較して左房分類において優れた性能を示した。
• 手動でアノテートされた形状のPCAから得られた形状事前分布を有するアクティブな輪郭法は、強度のみに依存する手法と比較して、右房分類の精度を顕著に向上させた。
• 左房分類において、ユーザーが提供したシードポイントを用いた領域拡張は、純粋なしきい値処理手法よりも優れた結果をもたらした。特に強度分布が変動する症例では顕著であった。
• 胸郭大動脈の検出にホフ変換を用いることで、左房分類のためのシード領域の初期化が信頼性高く実現され、患者間での頑健性が向上した。
• 技術の進歩にもかかわらず、左房および右房は依然として低コントラスト、曖昧な境界、高い解剖学的可変性のため、分類が困難である。
• 特にアクティブな輪郭法とアトラスベース手法を組み合わせた複数の技術の統合は、今後の高精度分類フレームワークの強力な可能性を示している。