[論文レビュー] Segmentation of Skeletal Muscle in Thigh Dixon MRI Based on Texture Analysis

Rafael Rodrigues, António Pinheiro|arXiv (Cornell University)|Apr 9, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 15被引用数 6

ひとこと要約

本論文では、多スケールのテクスチャ特徴量—勾配の方向度数分布（HOG）、ウェーブレット係数、および元画像とLoGフィルタード画像からの統計的測定値—を用いたAdaBoost分類を用いて、大腿部ディクソンMRIにおける自動的骨格筋分離手法を提案する。本手法は平均Diceスコア0.7623を達成し、テクスチャ解析がアトラスベースのラベリングを組み合わせることで、解剖学的正確性を向上させた堅牢で一般化可能な筋肉分離を可能にすることを示している。

ABSTRACT

Segmentation of skeletal muscles in Magnetic Resonance Images (MRI) is essential for the study of muscle physiology and diagnosis of muscular pathologies. However, manual segmentation of large MRI volumes is a time-consuming task. The state-of-the-art on algorithms for muscle segmentation in MRI is still not very extensive and is somewhat database-dependent. In this paper, an automated segmentation method based on AdaBoost classification of local texture features is presented. The texture descriptor consists of the Histogram of Oriented Gradients (HOG), Wavelet-based features, and a set of statistical measures computed from both the original and the Laplacian of Gaussian filtering of the grayscale MRI. The classifier performance suggests that texture analysis may be a helpful tool for designing a generalized and automated MRI muscle segmentation framework. Furthermore, an atlas-based approach to individual muscle segmentation is also described in this paper. The atlas is obtained by overlaying the muscle segmentation ground truth, provided by a radiologist, after image alignment using an appropriate affine transformation. Then, it is used to define the muscle labels upon the AdaBoost binary segmentation. The developed atlas method provides reasonable results when an accurate muscle tissue segmentation was obtained.

研究の動機と目的

• 3TディクソンMRIを用いた人間大腿部における一般化可能で自動化された骨格筋分離フレームワークの開発を目的とする。
• MRIにおける筋肉と他の軟部組織を区別するためのテクスチャベース特徴量の有効性を検証することを目的とする。
• 手動法と比較して分離精度を向上させ、観察者間ばらつきを低減することを目的とする。
• AdaBoost分類器出力の解剖学的特徴を向上させるために、アトラスベースのラベリング戦略を統合することを目的とする。
• 画像のテクスチャ品質が分離性能およびモデルの頑健性に与える影響を評価することを目的とする。

提案手法

• HOG、ウェーブレット分解（3段階、54ビンの記述子）、および元画像とラプラシアン・オブ・ガウス（LoG）フィルタード画像からの統計的測定値を用いて、16×16の重複のない画像パッチからテクスチャ特徴量を抽出する。
• これらのマルチスケールテクスチャ記述子を用いて、筋肉と非筋肉組織を区別する二値AdaBoost分類器を訓練する。
• アフィン変換を用いて専門家による手動セグメンテーションを統合してアトラスを構築し、AdaBoost出力に解剖学的ラベルを割り当てる。
• テスト画像をアトラス空間にアライメントするためにアフィン変換を用いた画像登録を実施し、その後逆変換によりラベルを元のMRI空間に復元する。
• 標準指標（再現率、適合率、Dice係数）を用いた10分割交差検証により性能を評価する。
• 局所的テクスチャ解析とグローバルな解剖学的事前知識を組み合わせることで、分離の特異性を向上させ、誤検出を低減する。

実験結果

リサーチクエスチョン

• RQ1 オフフォーズディクソンMRIにおけるテクスチャベース特徴量は、骨格筋と他の軟部組織を効果的に区別できるか？
• RQ2 アトラスの統合は、AdaBoostに基づく筋肉分離の解剖学的正確性をどのように向上させるか？
• RQ3 画像のテクスチャ品質は、分離モデルの再現率および適合率にどのような影響を及ぼすか？
• RQ4 本手法は、筋肉の幾何学的形状や組織分布が異なるさまざまなMRIボリュームにどの程度一般化可能か？
• RQ5 局所的テクスチャ記述子とグローバルなアトラス事前知識の組み合わせは、複雑な解剖学的領域において強度ベースまたは完全にアトラスベースの分離を上回る性能を発揮できるか？

主な発見

• 提案されたAdaBoostベース分離法は、10例のMRIボリュームにおいて平均Dice重複係数0.7623を達成し、正解との強い一致を示している。
• 平均再現率は0.8150、平均適合率は0.7454であり、やや高い誤検出率があるものの、真の筋肉領域の効果的検出を示している。
• 特に関節付近の分散した筋肉組織や高用量の筋内脂肪を有する領域においても、頑健な性能を示した。
• AdaBoost出力における誤検出は、アトラス変換を歪める可能性があり、高い再現率であっても筋肉領域の誤ラベリングを引き起こすおそれがある。
• 断面積が小さい筋肉（例：縫工筋および大腿直筋）は、真正陽性検出率が低下した際に頻繁に見逃される傾向にあった。
• 本研究では、画像のテクスチャ品質と分離性能の間に相関関係が存在する可能性を示唆しており、テクスチャ品質指標のさらなる検討が求められる。