[論文レビュー] maskSLIC: Regional Superpixel Generation with Application to Local Pathology Characterisation in Medical Images

Benjamin Irving|arXiv (Cornell University)|Jun 30, 2016

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

ひとこと要約

maskSLIC は、マスク内での初期化および距離計算を変更することにより、医用画像における不規則な領域（例：腫瘍）に対する SLIC スーパーピxls クラスタリングを拡張し、腫瘍内のサブリージョン検出を顕著に向上させた。BRATS 2013 において標準 SLIC より優れた性能を示し（p=0.001）、3Dおよび4D DCE-MRI データにおける安定的で生物学的に意味のある腫瘍サブリージョン分析を可能にした。

ABSTRACT

Supervoxel methods such as Simple Linear Iterative Clustering (SLIC) are an effective technique for partitioning an image or volume into locally similar regions, and are a common building block for the development of detection, segmentation and analysis methods. We introduce maskSLIC an extension of SLIC to create supervoxels within regions-of-interest, and demonstrate,on examples from 2-dimensions to 4-dimensions, that maskSLIC overcomes issues that affect SLIC within an irregular mask. We highlight the benefits of this method through examples, and show that it is able to better represent underlying tumour subregions and achieves significantly better results than SLIC on the BRATS 2013 brain tumour challenge data (p=0.001) - outperforming SLIC on 18/20 scans. Finally, we show an application of this method for the analysis of functional tumour subregions and demonstrate that it is more effective than voxel clustering.

研究の動機と目的

• 腫瘍などの臨床的に関連のある不規則な領域において、標準 SLIC が意味のあるスーパーボクセルを生成する能力に限界があることに対処する。
• ボクセル単位のクラスタリングをスーパーボクセルベースのクラスタリングに置き換えることで、腫瘍サブリージョン解析における空間的正則化およびノイズ耐性を向上させる。
• 大規模な腫瘍画像データセット全体にわたるスケール不変性、安定性、生物学的解釈可能性を備えたサブリージョン同定を可能にする。
• 特に灌流画像（DCE-MRI）において、maskSLIC が SLIC やボクセル単位クラスタリングを上回ることを示す。
• 機能的サブリージョンの特徴化や縦断的追跡といった後続タスクを支援する、医用画像における領域分析の汎用的メソッドを提供する。

提案手法

• ユーザーが定義した不規則なマスク内において、距離変換に基づくグリッドを用いたクラスタ中心の初期化を導入することで、SLIC を変更し、クラスタ中心が領域の内部にのみ配置されるようにする。
• 空間的、強度的、および3Dでは色彩的要因を含む距離尺度を変更するが、マスク内に制限することで、クラスタ中心が背景領域に漏れ出すのを防ぐ。
• 各ボクセルを最も近いクラスタ中心に割り当てるリージョン成長アプローチを用い、マスクによって制約を課すことで、スーパーボクセルが空間的に連結され、領域の内部に留まるようにする。
• DCE-MRI を含む2D、3D、4D 医用画像に本手法を適用し、時間的灌流パラメータ（K^trans、k_ep、T1）を抽出してクラスタリングに用いる。
• maskSLIC と k-means クラスタリングを組み合わせてスーパーボクセル上でクラスタリングし、標準的なボクセル単位クラスタリングと比較することで、生物学的に異なるサブリージョンを同定する。
• 灌流マップの主成分分解を用いてスーパーボクセル生成をガイドすることで、機能的不均一性への感受性を高める。

実験結果

リサーチクエスチョン

• RQ1 SLIC は、腫瘍のような不規則で凸でない領域において、効果的にスーパーボクセルを生成できるか？
• RQ2 maskSLIC は、病理画像において標準 SLIC やボクセル単位クラスタリングよりも、より空間的に正則化され、生物学的に意味のあるサブリージョンを生成するか？
• RQ3 maskSLIC は、ベンチマーク腫瘍セグメンテーションタスクにおいて、再現性および統計的有意性の観点から、SLIC より優れているか？
• RQ4 maskSLIC を用いたスーパーボクセルクラスタリングは、ボクセルレベルのクラスタリングよりも、機能的差異（例：高/低灌流）を有する腫瘍サブリージョンをより信頼性高く検出できるか？
• RQ5 maskSLIC は、4D DCE-MRI における縦断的腫瘍サブリージョン追跡の安定性および解釈可能性をどの程度向上させるか？

主な発見

• maskSLIC は、BRATS 2013 脳腫瘍チャレンジにおいて標準 SLIC より顕著に優れており、p値 0.001 で有意であった。20枚のスキャンのうち18枚で SLIC を上回った。
• maskSLIC は、空間的に連結され、明確に定義されたスーパーボクセルを生成し、4D DCE-MRI において時間経過にわたって一貫性を示した。これにより、サブリージョンの信頼性のある3D再構築および縦断的追跡が可能になった。
• maskSLIC によって生成されたスーパーボクセル上でクラスタリングすることで、ボクセル単位 k-means クラスタリングで頻繁に出現するノイズの多い外れクラスタ（例：R0）が排除され、より生物学的に妥当なサブリージョンが得られた。
• maskSLIC は、K^trans と k_ep の分離（例：R3領域で K^trans が高く k_ep が低い）といった明確な灌流パターンを明らかにし、ボクセルレベル解析では検出できない機能的不均一性を示した。
• 本手法により、動きや部分体積効果への感受性が最小限に抑えられ、時間経過にわたって一貫したサブリージョン（例：拡張する壊死領域）の同定が可能になった。
• マスク認識初期化に距離変換を用いることで、クラスタ配置の正確性が向上したが、標準 SLIC より計算時間が増加した。