[論文レビュー] Liver Segmentation in Abdominal CT Images by Adaptive 3D Region Growing

Shima Rafiei, Nader Karimi+5 more|arXiv (Cornell University)|Feb 21, 2018

Medical Image Segmentation Techniques被引用数 3

ひとこと要約

本稿では、腹部CTスキャンにおける肝臓セグメンテーションのための適応的3次元領域拡張法を提案する。強度事前分布、空間的位置制約、境界認識領域拡張およびコントラスト強調を統合している。92.56%のDiceスコアを達成し、Deeds事前マップのハードスレッショルドや13臓器登録によるマジョリティボーティングを上回るが、表1の結果は著者らによって後で修正された。

ABSTRACT

Automatic liver segmentation plays an important role in computer-aided diagnosis and treatment. Manual segmentation of organs is a difficult and tedious task and so prone to human errors. In this paper, we propose an adaptive 3D region growing with subject-specific conditions. For this aim we use the intensity distribution of most probable voxels in prior map along with location prior. We also incorporate the boundary of target organs to restrict the region growing. In order to obtain strong edges and high contrast, we propose an effective contrast enhancement algorithm to facilitate more accurate segmentation. In this paper, 92.56% Dice score is achieved. We compare our method with the method of hard thresholding on Deeds prior map and also with the majority voting on Deeds registration with 13 organs.

研究の動機と目的

• 腹部CTにおける手動肝臓セグメンテーションの課題に対処すること。これは時間のかかる作業であり、誤差の原因となる。
• 患者固有の強度分布と解剖学的位置事前分布を統合することで、セグメンテーションの正確性を向上させること。
• コントラスト強調アルゴリズムを用いることで境界検出を向上させ、領域拡張の精度を高めること。
• 臓器境界情報を取り入れることで、領域拡張プロセスに統合し、過剰セグメンテーションおよび不十分セグメンテーションを低減すること。
• 多様な患者の解剖学的特徴にわたって、堅牢かつ自動化された肝臓セグメンテーションを実現すること。

提案手法

• 本手法は、Deedsアトラスから得られる事前マップを用い、可能性のある肝臓ボクセルの強度分布をモデル化する。
• 患者固有の強度事前分布と空間的位置事前分布を組み合わせ、3次元での領域拡張をガイドする。
• CTボリューム内のエッジ定義と組織コントラストを向上させるために、コントラスト強調アルゴリズムを適用する。
• 領域拡張はシードポイントから開始され、強度の類似性に基づいて拡張され、空間的および境界事前分布によって制約される。
• 局所的な強度統計と境界情報を利用して、成長しきい値を適応的に調整する。
• 境界制約は、高勾配ボクセルを検出することで強制され、隣接臓器への過剰拡張を防ぐ。

実験結果

リサーチクエスチョン

• RQ1 患者固有の強度および空間的事前分布を有する適応的3次元領域拡張は、腹部CTにおける肝臓セグメンテーションの正確性を向上させることができるか？
• RQ2 コントラスト強調ステップを統合することで、セグメンテーション性能および境界検出にどのような影響を与えるか？
• RQ3 境界認識領域拡張は、標準的手法と比較して、過剰セグメンテーションおよび不十分セグメンテーションをどの程度低減できるか？
• RQ4 本手法は、Deeds事前マップのハードスレッショルドおよび13臓器登録によるマジョリティボーティングと比較して、どのように異なるか？
• RQ5 複数の事前分布の統合は、臨床的用途における堅牢で自動化されたセグメンテーションパイプラインを実現できるか？

主な発見

• 提案手法は、92.56%のDice類似係数を達成し、正解との重複が非常に高いことを示している。
• 本手法は、Deeds事前マップのハードスレッショルドよりもセグメンテーションの正確性が優れていた。
• 13臓器登録によるマジョリティボーティングよりも、本手法はセグメンテーション性能が優れていた。
• コントラスト強調によりエッジ検出が顕著に向上し、より正確な領域拡張が可能になった。
• 空間的および境界事前分布の統合により、臓器境界付近のセグメンテーション誤差が効果的に低減された。
• 強力な結果であったが、元の論文の表1には誤った比較が含まれており、著者らによって後で修正された。