[論文レビュー] Semi-Automatic Algorithm for Breast MRI Lesion Segmentation Using Marker-Controlled Watershed Transformation

Sulaiman Vesal, Andres Diaz‐Pinto+4 more|arXiv (Cornell University)|Dec 14, 2017

AI in cancer detection参考文献 10被引用数 3

ひとこと要約

本稿では、放射線科医が定義した領域内における最も明るい画素をマーカーとして用いることで、精度を向上させる半自動的なマーカー制御ウォーターシェド変換（MCWT）法を、乳腺MRI病変のセグメンテーションのために提案している。本手法は106例の病変において平均Dice係数0.7808 ± 0.1729およびJaccard係数0.6704 ± 0.2167を達成し、良性および悪性の両ケースにおいても最小限の手動入力で良好な性能を示している。

ABSTRACT

Magnetic resonance imaging (MRI) is an effective imaging modality for identifying and localizing breast lesions in women. Accurate and precise lesion segmentation using a computer-aided-diagnosis (CAD) system, is a crucial step in evaluating tumor volume and in the quantification of tumor characteristics. However, this is a challenging task, since breast lesions have sophisticated shape, topological structure, and high variance in their intensity distribution across patients. In this paper, we propose a novel marker-controlled watershed transformation-based approach, which uses the brightest pixels in a region of interest (determined by experts) as markers to overcome this challenge, and accurately segment lesions in breast MRI. The proposed approach was evaluated on 106 lesions, which includes 64 malignant and 42 benign cases. Segmentation results were quantified by comparison with ground truth labels, using the Dice similarity coefficient (DSC) and Jaccard index (JI) metrics. The proposed method achieved an average Dice coefficient of 0.7808$\pm$0.1729 and Jaccard index of 0.6704$\pm$0.2167. These results illustrate that the proposed method shows promise for future work related to the segmentation and classification of benign and malignant breast lesions.

研究の動機と目的

• 複雑な形状、変動する強度分布、トポロジーの複雑さを示す乳腺MRI病変の正確かつロバストなセグメンテーションの課題に対処すること。
• 単純な強度ベースのマーカー選択戦略を用いることで、ウォーターシェドベースのセグメンテーションにおける過剰セグメンテーションを低減すること。
• コンピュータ支援診断（CAD）システムでの利用を想定し、最小限の手動入力で高いセグメンテーション精度を維持できる手法を開発すること。
• 多様な106例の乳腺MRI病変（良性および悪性を含む）に対して、提案されたMCWTアプローチの性能を評価すること。

提案手法

• 対照制限付き自己適応ヒストグラム平坦化（CLAHE）を用いて、差分画像のコントラストを向上させる。
• 放射線科医が病変周囲に領域 of interest（ROI）を手動で定義し、そのROI内から最も明るいn画素を選択して内部マーカーとする。
• 選択された明るい画素を内部マーカーとし、ROIの境界を外部マーカーとして用いて、勾配マグニチュード画像にウォーターシェド変換を適用する。
• 交差検証を用いて、Dice係数およびJaccard係数を用いて最適なマーカー数（n=45）を特定する。
• ウォーターシェド出力から二値セグメンテーションマスクを生成し、マーカーへの近接度に基づいて領域をラベル付ける。
• 熟練した手動セグメンテーションとの比較において、Dice類似係数（DSC）およびJaccard係数（JI）を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 単純な強度ベースのマーカー選択戦略は、乳腺MRIにおけるウォーターシェドベースの病変セグメンテーションのロバスト性および正確性を向上させることができるか？
• RQ2 マーカー数が、多様な病変タイプにおけるDSCおよびJCIのセグメンテーション性能にどのように影響を与えるか？
• RQ3 提案されたMCWT手法は、形状や強度分布が異なる良性および悪性病変に対しても、信頼性のあるセグメンテーションを達成できるか？
• RQ4 従来のウォーターシェド手法と比較して、本手法は過剰セグメンテーションをどの程度低減できるか？
• RQ5 本手法は、CADシステムにおける後続の病変分類のための有効な前処理ステップとして機能できるか？

主な発見

• 提案されたMCWT手法は、106例の病変において平均Dice類似係数（DSC）0.7808 ± 0.1729を達成し、正解セグメンテーションと強い重複を示している。
• 平均Jaccard係数（JI）は0.6704 ± 0.2167であり、自動セグメンテーションと手動セグメンテーションの間で良好な一致を示している。
• 最適なマーカー数は45と特定され、セグメンテーションの正確性と過剰セグメンテーションの制御のバランスが取れている。
• 中～大規模な病変に対しては、正確な境界検出と最小限の端末誤差を達成しており、良好な性能を示している。
• 複数の離隔した病変を含む症例では、病変と健常組織との間で強度が重複するため、ROIが大きい場合には困難をきたしていた。
• テンプレートマッチングやガウス混合モデルなどの複雑な特徴に依存する従来のマーカー付き手法と比較して、本手法はロバスト性とシンプルさを示している。