[論文レビュー] Multi-Atlas Segmentation of Biomedical Images: A Survey

Juan Eugenio Iglesias, Mert R. Sabuncu|arXiv (Cornell University)|Dec 10, 2014

Medical Image Segmentation Techniques参考文献 173被引用数 12

ひとこと要約

本調査は、医療画像におけるマルチアトラスセグメンテーション（MAS）の包括的概要を提供し、単一アトラス登録から高度なラベル統合技術へと進化した歴史的経緯を詳細に述べている。複数の事前にラベル付けされたアトラスを用いることで、解剖学的可変性をより正確に捉えるMASの優れた精度を強調するとともに、計算コストや機械学習、確率的モデリング、縦断的分析分野における今後の方向性についても言及している。

ABSTRACT

Multi-atlas segmentation (MAS), first introduced and popularized by the pioneering work of Rohlfing, Brandt, Menzel and Maurer Jr (2004), Klein, Mensh, Ghosh, Tourville and Hirsch (2005), and Heckemann, Hajnal, Aljabar, Rueckert and Hammers (2006), is becoming one of the most widely-used and successful image segmentation techniques in biomedical applications. By manipulating and utilizing the entire dataset of "atlases" (training images that have been previously labeled, e.g., manually by an expert), rather than some model-based average representation, MAS has the flexibility to better capture anatomical variation, thus offering superior segmentation accuracy. This benefit, however, typically comes at a high computational cost. Recent advancements in computer hardware and image processing software have been instrumental in addressing this challenge and facilitated the wide adoption of MAS. Today, MAS has come a long way and the approach includes a wide array of sophisticated algorithms that employ ideas from machine learning, probabilistic modeling, optimization, and computer vision, among other fields. This paper presents a survey of published MAS algorithms and studies that have applied these methods to various biomedical problems. In writing this survey, we have three distinct aims. Our primary goal is to document how MAS was originally conceived, later evolved, and now relates to alternative methods. Second, this paper is intended to be a detailed reference of past research activity in MAS, which now spans over a decade (2003 - 2014) and entails novel methodological developments and application-specific solutions. Finally, our goal is to also present a perspective on the future of MAS, which, we believe, will be one of the dominant approaches in biomedical image segmentation.

研究の動機と目的

• マルチアトラスセグメンテーション（MAS）の歴史的発展と概念的進化を、初期の登録ベースの手法から現代のラベル統合技術へと記録すること。
• 2003年から2014年までの10年以上にわたるMAS研究の詳細な参考資料を提供すること（メソッド論的イノベーションおよび応用分野特化の解決策を含む）。
• MASが医療画像セグメンテーション分野の主要な手法としての地位を確立していることを踏まえ、今後の展望を提示すること。特に、機械学習、確率的モデリング、縦断的分析との統合を強調すること。
• 計算コスト、画像プロトコルのばらつき、標準化された評価指標の不足といった主な課題を特定すること。
• 大規模かつマルチサイトの臨床研究に適した、頑健でマルチモodalかつ不確実性を考慮したMAS手法の推進を提言すること。

提案手法

• ラベル統合戦略、登録技術、確率的モデリングに焦点を当てた、発表済みMASアルゴリズムおよび応用の体系的レビューと統合。
• 登録ベース、確率的アトラスベース、現代のラベル統合フレームワークに分類したMAS手法の分類。特に多数決投票、加重投票、学習ベース統合といった統合技術に重点を置く。
• 自己教師あり特徴学習や深層アーキテクチャを含む、機械学習およびコンピュータビジョン分野の進展を統合し、セグメンテーションの頑健性と性能を向上させる。
• 確率的推論を用いて不確実性をモデル化し、欠損または不均一なラベルに対処し、解剖学的および画像物理学的知識を統合する。
• 異なる画像モodal、強度分布、誤登録状況などのさまざまな条件下での統合手法の評価。
• 複数の画像（例：縦断的スキャン）の同時セグメンテーションを検討し、微細な解剖的変化を検出するための精度向上を図る。

実験結果

リサーチクエスチョン

• RQ1 マルチアトラスセグメンテーションは、初期の単一アトラス登録から、現代のラベル統合技術へとどのように進化したか？
• RQ2 多様な画像条件下で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、ラベル統合分野における主なメソッド論的進歩は何か？
• RQ3 機械学習および確率的モデリングは、臨床応用におけるMASの信頼性と不確実性の定量化をどのように向上させうるか？
• RQ4 非脳画像（例：腹部MRI）における現在のMAS手法の限界は何か。それらはどのように克服できるか？
• RQ5 複数の画像の同時セグメンテーションは、縦断的医療画像分析における正確性向上にどのように寄与できるか？

主な発見

• MASは、複数の事前にラベル付けされたアトラスを用いることで、解剖学的可変性をより正確に捉えることができるため、単一アトラス手法を著しく上回る。
• 特に学習ベースおよび確率的手法を用いたラベル統合技術は、単純な多数決投票に比べて、より優れたセグメンテーション正確性を示す。
• 確率的モデリングにより不確実性の定量化が可能となり、臨床応用における体積測定の信頼性が向上する。
• 深層学習および自己教師あり特徴学習分野の最近の進展は、多様な画像プロトコルにわたるMASの性能と頑健性を向上させる強力な可能性を示している。
• 画像変動（例：異なるスキャナーやスキャンシーケンス）への耐性は依然として課題であるが、改善された統合アルゴリズムおよび登録手法により、そのギャップは縮小しつつある。
• 特に縦断的研究において、複数の新規画像の同時セグメンテーションは、独立したセグメンテーションよりもより正確な結果をもたらすことができ、今後の疾患進行の追跡に向けた臨床的応用を支援する。