[論文レビュー] Metacarpal Bones Localization in X-ray Imagery Using Particle Filter Segmentation

Z Bárdosi, Donatella Granata+3 more|arXiv (Cornell University)|Dec 28, 2014

Medical Imaging and Analysis参考文献 21被引用数 3

ひとこと要約

本稿では、メタカーパル骨のX線画像における局所化を、グローバル形状モデルと局所的外観特徴を組み合わせることで、パーティクルフィルタベースの手法により提案する。ハール特徴とランダムフォレスト分類を用い、ラベル確率マップを生成した後、微分進化を用いてランドマーク位置を最適化することで、正確なセグメンテーションを実現し、アノテート済みX線データ上で高いロバスト性を示した。

ABSTRACT

Statistical methods such as sequential Monte Carlo Methods were proposed for detection, segmentation and tracking of objects in digital images. A similar approach, called Shape Particle Filters was introduced for the segmentation of vertebra, lungs and hearts [1]. In this contribution, a global shape and a local appearance model are derived from specific object annotated X-ray images of the metacarpal bones. In the test data a unique labeling of the bone boundary and the background points and a manual annotation is given. Using a set of local features (Haar-like) in the neighborhood of each pixel a probabilistic pixel classifier is built using the random forest algorithm. To fit the shape model to a new image, a label probability map is extracted and then the optimal shape is obtained by maximizing the probability of each landmark with the Differential Evolution algorithm.

研究の動機と目的

• 複雑なX線画像における正確なメタカーパル骨の局所化の課題に対処すること。
• グローバル形状制約と局所的外観モデリングを統合することで、セグメンテーションのロバスト性を向上させること。
• X線画像の品質変動および解剖学的可変性に一般化可能な手法を開発すること。
• 確率的最適化を用いて、自動的かつ正確に骨境界を局所化すること。

提案手法

• メタカーパル骨の手動アノテーション済みX線画像から、グローバル形状モデルを学習する。
• 各ピクセル周辺から抽出したハール特徴を用いて、局所的外観をモデル化する。
• ピクセル単位のラベルマップ（骨 vs. 背景）を確率的に出力するようにランダムフォレスト分類器を学習する。
• ラベル確率マップを生成し、それをパーティクルフィルタフレームワークの入力として用いる。
• 微分進化アルゴリズムを用いて、事後確率を最大化することでランドマーク位置を最適化する。
• 形状の一貫性と局所的強度証拠の両方をバランスさせながら、形状フィットを繰り返し改善する。

実験結果

リサーチクエスチョン

• RQ1 形状および外観の事前知識を用いたパーティクルフィルタフレームワークは、X線画像におけるメタカーパル骨の局所化に有効に機能するか？
• RQ2 グローバル形状モデルと局所的ハール特徴の統合は、セグメンテーション精度をどの程度向上させるか？
• RQ3 微分進化アルゴリズムはランドマーク位置の最適化をどの程度改善するか？
• RQ4 本手法は、コントラストの変動、ノイズ、解剖学的可変性に対してどの程度ロバストか？

主な発見

• 形状モデリングと外観モデリングの組み合わせにより、本手法はメタカーパル骨境界の正確な局所化を達成した。
• ランダムフォレストベースのピクセル分類の活用により、初期の確率マップの信頼性が著しく向上した。
• 微分進化はランドマーク位置の最適化を効果的に実行し、収束性と精度の両方を改善した。
• 手動アノテーション済みのテストデータ上でも本手法はロバスト性を示し、未学習のX線画像に対しても強い一般化性能を示した。