[論文レビュー] Incorporating prior knowledge in medical image segmentation: a survey

Masoud S. Nosrati, Ghassan Hamarneh|arXiv (Cornell University)|Jul 5, 2016

Medical Image Segmentation Techniques参考文献 56被引用数 38

ひとこと要約

本サーベイは、事前知識を組み込んだ最適化ベースの医用画像セグメンテーション手法について包括的な分析を提供し、連続的および離散的定式化の両方において、形状、外観、トポロジー、アトラスモデルなどの種類の事前知識を分類している。エネルギー関数の忠実性と最適化可能性のトレードオフを強調し、凸化技術の導入を提唱するとともに、自動的かつ高精度なセグメンテーションを促進するためのインタラクティブなオンラインデータベースを導入している。

ABSTRACT

Medical image segmentation, the task of partitioning an image into meaningful parts, is an important step toward automating medical image analysis and is at the crux of a variety of medical imaging applications, such as computer aided diagnosis, therapy planning and delivery, and computer aided interventions. However, the existence of noise, low contrast and objects' complexity in medical images are critical obstacles that stand in the way of achieving an ideal segmentation system. Incorporating prior knowledge into image segmentation algorithms has proven useful for obtaining more accurate and plausible results. This paper surveys the different types of prior knowledge that have been utilized in different segmentation frameworks. We focus our survey on optimization-based methods that incorporate prior information into their frameworks. We review and compare these methods in terms of the types of prior employed, the domain of formulation (continuous vs. discrete), and the optimization techniques (global vs. local). We also created an interactive online database of existing works and categorized them based on the type of prior knowledge they use. Our website is interactive so that researchers can contribute to keep the database up to date. We conclude the survey by discussing different aspects of designing an energy functional for image segmentation, open problems, and future perspectives.

研究の動機と目的

• ノイズが多く、コントラストが低い複雑な構造を有する医用画像において、従来のセグメンテーション手法の限界を克服すること。
• 最適化ベースのセグメンテーションフレームワークで用いられる事前知識の種類を体系的に分類・比較すること。
• セグメンテーションモデルにおけるエネルギー関数の忠実性（モデルの正確さ）と最適化可能性（例：凸性、収束保証）のトレードオフを分析すること。
• 事前知識の種類ごとに分類された、最新の情報を反映したインタラクティブで更新可能なオンラインデータベースを構築・維持すること。
• 手作業で設計された事前知識と学習可能なコンponentsを統合することで、グローバル最適で効率的かつアーチファクトのないセグメンテーションへ向かう今後の研究を導くこと。

提案手法

• エネルギー最小化および事後確率最大化推定に基づく、事前知識を組み込んだ最適化ベースのセグメンテーション手法をサーベイすること。
• 事前知識を、ユーザーインタラクション、外観モデル、境界/エッジの極性、形状モデル、トポロジー、モーメント制約、幾何的相互作用、およびアトラスベースの事前知識のカテゴリに分類すること。
• ドメイン（連続的 vs. 離散的）および最適化戦略（グローバル vs. 局所的）に基づいて手法を分析し、凸性と準単調性に特に注目すること。
• 複数の事前知識を1つのエネルギー関数にモジュラーに統合するフレームワークを提案し、項のスカラー化線形結合を用いること。
• 事前知識の種別ごとに分類されたセグメンテーション研究をカタログ化・更新可能なインタラクティブなオンラインデータベースを導入すること。
• 最適化可能性を向上させるために、凸緩和技術の導入が不可欠であることを強調すること。

実験結果

リサーチクエスチョン

• RQ1 どの種類の事前知識が、医用画像セグメンテーションの正確性と頑健性を向上させるために最も効果的であるか？
• RQ2 連続的 vs. 離散的という異なる定式化や、グローバル vs. 局所的という異なる最適化戦略が、セグメンテーションアルゴリズムの性能と信頼性にどのように影響を与えるか？
• RQ3 エネルギー関数の忠実性（モデルの正確さ）と最適化可能性（例：凸性、収束保証）のトレードオフは何か？
• RQ4 複数の目的関数を持つエネルギー関数に、事前知識を体系的かつ効果的に統合する方法は何か？重み付け方式は果たす役割は何か？
• RQ5 大規模な医用画像にスケーリング可能な、グローバル最適で効率的かつアーチファクトのないセグメンテーション手法を開発するにあたり、主な課題は何か？

主な発見

• 形状、外観、トポロジー、アトラスモデルなどの多様な事前知識を組み込むことで、複雑な医用画像におけるセグメンテーションの正確性が顕著に向上する。
• エネルギー関数の忠実性と最適化可能性のトレードオフは依然として中心的な課題であり、非凸的または非準単調な事前知識はグローバル最適化を複雑にする。
• 最近の進展では、モデルの忠実性を損なわずにグローバル最適解を可能にするため、凸緩和技術の活用が好まれている。
• グラフベースの手法は有効ではあるが、大規模な画像処理においてグリッドバイアスのアーチファクトとメモリ非効率性に苦しむことが多い。
• 十分なトレーニングデータが利用可能な場合、複数項のエネルギー関数における自動的重み学習に機械学習を統合することは可能で、効果的である。
• 事前知識の種別ごとに分類された、セグメンテーション研究のインタラクティブなオンラインデータベースは、継続的な研究とコミュニティ主導の更新を支援する。