[論文レビュー] Model-based Catheter Segmentation in MRI-images

André Mastmeyer, Guillaume Pernelle+6 more|arXiv (Cornell University)|May 18, 2017

Medical Image Segmentation Techniques参考文献 7被引用数 9

ひとこと要約

本稿では、機械的角ばねモデルと画像特徴検出を組み合わせたハイブリッドモデルベースのセグメンテーション手法を提案し、MRIスキャンにおけるカテーテルの分離をサブミリメートルの精度で実現する。患者特有の機械的モデルを用いて先端から近位部のカテーテル追跡をガイドすることで、画像のみの手法と比較して外れ値を最大75%まで低減し、中央値誤差1.05 mm、誤差≤2.88 mmの識別正確度98%を達成した。

ABSTRACT

Accurate and reliable segmentation of catheters in MR-guided interventions remains a challenge, and a step of critical importance in clinical workflows. In this work, under reasonable assumptions, mechanical model based heuristics guide the segmentation process allows correct catheter identification rates greater than 98% (error 2.88 mm), and reduction in outliers to one-fourth compared to the state of the art. Given distal tips, searching towards the proximal ends of the catheters is guided by mechanical models that are estimated on a per-catheter basis. Their bending characteristics are used to constrain the image feature based candidate points. The final catheter trajectories are hybrid sequences of individual points, each derived from model and image features. We evaluate the method on a database of 10 patient MRI scans including 101 manually segmented catheters. The mean errors were 1.40 mm and the median errors were 1.05 mm. The number of outliers deviating more than 2 mm from the gold standard is 7, and the number of outliers deviating more than 3 mm from the gold standard is just 2.

研究の動機と目的

• MRIガイドド介入における信頼性の高い自動カテーテルセグメンテーションツールの不足に対処すること。現在のところ、時間のかかる手動セグメンテーションに依存している。
• セグメンテーション誤差と外れ値を低減することで、MRIガイドドカテーテル手技の臨床的実用性を向上させること。
• 複雑なMRIアーチファクトにおける頑健なカテーテル追跡を実現するため、機械的モデリングと画像特徴検出を組み合わせた手法を開発すること。
• 異なるプロトコルを有する10例の患者MRIスキャンにまたがる101本のカテーテルを含む多様なデータセット上で、手法を検証すること。
• ハイブリッドモデル-画像ガイドド手法が、純粋な画像ベースまたはモデルオンative手法よりも精度と頑健性に優れていることを示すこと。

提案手法

• カテーテルを剛体セグメントの列として扱い、角ばね定数 $k_a = 2050\,\mu\text{Nm}$ を有する角ばねで接続することで、カテーテルのたわみをシミュレートする角ばねモデルを用いる。
• 前方モデルは固定された基部（近位端）からたわみを計算するが、逆運動学を用いて遠位端から先端位置と力の推定を行う後方モデルを併用する。
• 力と剛性に基づく再帰的式を用いて、セグメントごとのたわみ角 $\alpha_i$、累積角 $\alpha_{i}^{sum}$、および直交力 $F_i$ を計算する。
• アルゴリズムはカテーテル先端から円錐型探索を実行し、モデル予測を用いて画像特徴点の候補を制約する。
• モデルベースと画像特徴ベースの点をハイブリッドで統合し、影響度を制御するトレードオフパラメータ $d_{tol}$ を用いる。コア手法では $d_{tol} = 1$ mm を使用する。
• 参考方向 $\vec{r}$ や基部平面 $P$ といったモデルパラメータは、解剖学的ランドマーク（例：骨盤 brachytherapy におけるビタミンEカプセル）から推定される。

実験結果

リサーチクエスチョン

• RQ1 角ばねに基づく機械的モデルは、画像のみの手法と比較して、MRIにおけるカテーテルセグメンテーション精度を向上させることができるか？
• RQ2 モデル予測と画像特徴を統合することで、カテーテルセグメンテーションにおける外れ値の低減にどのような影響を与えるか？
• RQ3 MRIにおける頑健なカテーテル追跡を実現するための、モデルガイドドと画像特徴検出の最適なバランスは何か？
• RQ4 本手法は、多様なMRIプロトコルおよびカテーテル構成においても高い精度を維持できるか？
• RQ5 モデルベースのガイドドにより、誤検出の画像特徴が原因となる不審な曲がりを低減できるか？

主な発見

• ハイブリッド手法（実験3）では、ハウスドルフ距離 >3 mm の外れ値数が15から2に減少し、画像のみのセグメンテーションと比較して6分の1にまで低減した。
• ハウスドルフ距離 >2 mm の外れ値数は15から7に減少し、53%の低減効果を示した。2.88 mm の閾値では、外れ値数が2から3に増加した。
• 中央値ハウスドルフ距離は1.05 mm、平均は1.40 mm、標準偏差は1.15 mm（全カテーテル平均）であった。
• 誤差 ≤2.88 mm の範囲で98%以上のカテーテル識別率を達成し、外れ値低減の面で最先端技術を著しく上回った。
• クラスカル＝ウォリス検定により、3つの実験間に統計的に有意な差異が確認された（$p < 0.001$）。モデルオンリーおよび画像オンリー手法では、標準偏差と四分位範囲が大きく、頑健性に欠けていた。
• 1本のカテーテルあたりのセグメンテーション時間は、標準のIntel i7 3 GHz CPUで2秒であり、臨床的実用性を示した。