[論文レビュー] Context Driven Label Fusion for segmentation of Subcutaneous and Visceral Fat in CT Volumes

Sarfaraz Hussein, Aileen Green+4 more|arXiv (Cornell University)|Dec 15, 2015

Advanced Neural Network Applications参考文献 4被引用数 4

ひとこと要約

本論文は、腹部CTボリュームにおける皮下脂肪組織（SAT）および内臓脂肪組織（VAT）の自動セグメンテーションのための完全に教師なしで文脈駆動型のラベル統合手法を提案する。勾配に基づく境界推定、MADおよびLoOSを用いた幾何学的および外観ベースの外れ値除去、および文脈に配慮したラベル統合のための条件付きランダムフィールド（CRF）を統合し、151例の低解像度CTスキャンにおいて、SATで94.04%、VATで91.57%の最先端のDSCスコアを達成した。

ABSTRACT

Quantification of adipose tissue (fat) from computed tomography (CT) scans is conducted mostly through manual or semi-automated image segmentation algorithms with limited efficacy. In this work, we propose a completely unsupervised and automatic method to identify adipose tissue, and then separate Subcutaneous Adipose Tissue (SAT) from Visceral Adipose Tissue (VAT) at the abdominal region. We offer a three-phase pipeline consisting of (1) Initial boundary estimation using gradient points, (2) boundary refinement using Geometric Median Absolute Deviation and Appearance based Local Outlier Scores (3) Context driven label fusion using Conditional Random Fields (CRF) to obtain the final boundary between SAT and VAT. We evaluate the proposed method on 151 abdominal CT scans and obtain state-of-the-art 94% and 91% dice similarity scores for SAT and VAT segmentation, as well as significant reduction in fat quantification error measure.

研究の動機と目的

• 手動による介入なしに、腹部CTボリュームにおける皮下脂肪組織（SAT）および内臓脂肪組織（VAT）を自動でセグメンテーションする教師なしの手法を開発すること。
• Hounsfield単位の強度が類似しており、解剖学的に接続されているSATとVATを分離する課題に、幾何学的および外観ベースの手がかりを併用して対処すること。
• 特に多様なBMIを有する集団において、既存の手法と比較してセグメンテーションの正確性を向上させるとともに、脂肪量の定量誤差を低減すること。
• 患者個別にチューニングする必要も、トレーニングデータを必要としない、ロバストなモデルフリーのフレームワークを構築すること。

提案手法

• 皮膚境界から腹部中心に向かう直線に沿って希疏な勾配点を用いて、初期の境界推定が行われる。
• 偽陽性を除去するために、幾何学的中央偏差（MAD）および外観ベースの局所外れ値スコア（LoOS）を用いて境界を精緻化する。
• 形状、外観、幾何学的特徴を統合する文脈駆動型ラベル統合フレームワークは、条件付きランダムフィールド（CRF）を用い、隣接ボクセル間の対間関係をモデル化する。
• CRFにおけるペairwiseポテンシャルは、連結された外観および幾何学的特徴ベクトル間のL1距離に基づき定義され、異なるラベルに対してペナルティが課される。
• 最終的なセグメンテーションは、精緻化された内臓脂肪境界の周囲に凸包を適合させ、内部をVAT、外部をSATとしてラベル付けることで得られる。
• 本手法は完全に教師なしであり、トレーニングや患者個別パrameterチューニングを必要としない。

実験結果

リサーチクエスチョン

• RQ1 完全に教師なしの手法が、手動による介入なしに腹部CTスキャンにおけるSATおよびVATの正確でロバストなセグメンテーションを達成できるか。
• RQ2 特にBMIが異なる患者において、幾何学的および外観ベースの特徴をどのように組み合わせてSATとVATの境界を精緻化できるか。
• RQ3 CRFによる文脈に配慮したラベル統合は、個々のステップと比較して、どの程度セグメンテーションの正確性を向上させるか。
• RQ4 提案手法は、肥満および低体重の個体を含む多様な患者集団に一般化可能であるか。特に再チューニングなしに。

主な発見

• 提案手法は、皮下脂肪組織（SAT）で94.04%、内臓脂肪組織（VAT）で91.57%のDice類似係数（DSC）を達成し、すべてのベースラインを上回った。
• SATおよびVATの定量における平均絶対誤差（MAE）は、それぞれ7.1258 mlおよび7.1281 mlにまで低減され、次に優れた手法と比較して36%以上低減された。
• 本手法は、特に肥満患者において、境界の漏れが頻発する既存手法が失敗する状況でも、顕著なロバストネスを示した。
• 最適化されていないMATLAB実装では、標準的なハードウェア上で1スライスあたり約2.59秒で実行可能であり、スライス間の並列処理が可能である。
• フレームワークは、熟練医師による手動セグメンテーションと99%以上の一致を示し、観察者間の差に統計的に有意な差異は認められなかった（p > 0.5）。