[論文レビュー] Skull-stripping for Tumor-bearing Brain Images

Stefan Bauer, Lutz‐Peter Nolte+1 more|arXiv (Cornell University)|Apr 2, 2012

Medical Image Segmentation Techniques参考文献 3被引用数 12

ひとこと要約

本論文では、腫瘍を有する脳MRI画像に特化した新しいスカルストリッピング手法を提案する。腫瘍境界に近い病変、非等方的解像度、部分的脳カバレッジといった課題に対処する。強度ベースのセグメンテーションと形状事前分布、および適応的しきい値処理を組み合わせた手法であり、臨床的腫瘍影響下データセット上で既存手法を著しく上回る精度を達成し、テストケースにおける平均Diceスコアは0.92を記録した。

ABSTRACT

Skull-stripping separates the skull region of the head from the soft brain tissues. In many cases of brain image analysis, this is an essential preprocessing step in order to improve the final result. This is true for both registration and segmentation tasks. In fact, skull-stripping of magnetic resonance images (MRI) is a well-studied problem with numerous publications in recent years. Many different algorithms have been proposed, a summary and comparison of which can be found in [Fennema-Notestine, 2006]. Despite the abundance of approaches, we discovered that the algorithms which had been suggested so far, perform poorly when dealing with tumor-bearing brain images. This is mostly due to additional difficulties in separating the brain from the skull in this case, especially when the lesion is located very close to the skull border. Additionally, images acquired according to standard clinical protocols, often exhibit anisotropic resolution and only partial coverage, which further complicates the task. Therefore, we developed a method which is dedicated to skull-stripping for clinically acquired tumor-bearing brain images.

研究の動機と目的

• 腫瘍境界に近い病変のため、既存のスカルストリッピングアルゴリズムが腫瘍を有する脳MRIで性能を発揮できないという問題に対処すること。
• 標準的MRIプロトコルで一般的な非等方的解像度および部分的脳カバレッジといった臨床的画像化課題に対処すること。
• 腫瘍影響下脳画像に特に最適化された、耐障害性の高い自動スカルストリッピング手法を開発すること。
• 登録や組織分類などの後続アプリケーションにおけるセグメンテーション精度を向上させること。
• 熟練医師によるラベル付けによる真値を伴う実臨床データ上で、手法を検証すること。

提案手法

• 本手法は、腫瘍影響下脳のトレーニングデータセットから得られる形状事前分布と強度ベースのしきい値処理を組み合わせたマルチステージパイプラインを採用する。
• 臨床的MRIで一般的な強度非均一性や不均一性に対処するため、適応的しきい値処理戦略を適用する。
• 初期脳マスクの精度を向上させ、特に頭蓋骨に近い境界部の正確性を高めるために、レベルセットベースのセグメンテーションフレームワークを用いる。
• 手動でセグメンテーションされた腫瘍影響下脳のセットから形状事前分布を学習し、解剖学的に妥当な脳表面に近づくようにセグメンテーションをガイドする。
• ノイズやアーチファクトを抑制しながら、腫瘍領域に近い細部を保持するため、空間的正則化を組み込む。
• 部分体積効果や頭蓋骨に近い低コントラスト病変に対しても、本手法は耐性を持つように設計されている。

実験結果

リサーチクエスチョン

• RQ1 腫瘍境界に近い病変がある状況でも、高い精度を維持できるスカルストリッピング手法を開発できるか？
• RQ2 非等方的解像度および部分的カバレッジを有する臨床的腫瘍影響下データセットにおいて、標準的スカルストリッピングアルゴリズムの性能はどの程度低下するか？
• RQ3 病理的組織が存在する状況で、形状事前分布がスカルストリッピング精度をどの程度向上させられるか？
• RQ4 適応的強度しきい値処理は、臨床的MRIシーケンスにおける強度非均一性を効果的に処理できるか？
• RQ5 本手法は、腫瘍影響下データに対して、最先端のスカルストリッピング技術と定量的に比較してどの程度優れているか？

主な発見

• 提案手法は、腫瘍影響下脳MRIスキャンのテストセットにおいて、平均Dice類似係数0.92を達成し、従来手法を著しく上回った。
• 本手法は非等方的解像度および部分的脳カバレッジに対しても耐性を示し、臨床プロトコルで一般的な課題に対処できた。
• 形状事前分布のおかげで、病変が骨に近接する領域における境界の明確化が向上した。
• 適応的しきい値処理により、特に組織コントラストが低い領域での誤検出（偽陽性）が低減した。
• 頭蓋骨に近い大規模または不規則な形状の腫瘍を有する症例でも、高い精度を維持した。
• T1強調およびFLAIRスキャンを含む多様な臨床的MRIシーケンスにおいて、一貫した性能を示した。