[論文レビュー] Spatial Fuzzy C Means PET Image Segmentation of Neurodegenerative Disorder

A. Meena, Rohit Raja|arXiv (Cornell University)|Mar 4, 2013

Medical Image Segmentation Techniques参考文献 11被引用数 24

ひとこと要約

本論文は、アルツハイマー病を含む神経変性疾患を有する患者の脳PET画像をセグメンテーションするための空間的ファジィC-平均（PET SFCM）アルゴリズムを提案する。従来のFCM目的関数に空間的近隣情報を取り入れることで、標準的なFCMおよびK-平均法よりも高いセグメンテーション精度を達成し、定量的検証を伴う実際の患者データセットにおいて優れた性能を示している。

ABSTRACT

Nuclear image has emerged as a promising research work in medical field. Images from different modality meet its own challenge. Positron Emission Tomography (PET) image may help to precisely localize disease to assist in planning the right treatment for each case and saving valuable time. In this paper, a novel approach of Spatial Fuzzy C Means (PET SFCM) clustering algorithm is introduced on PET scan image datasets. The proposed algorithm is incorporated the spatial neighborhood information with traditional FCM and updating the objective function of each cluster. This algorithm is implemented and tested on huge data collection of patients with brain neuro degenerative disorder such as Alzheimers disease. It has demonstrated its effectiveness by testing it for real world patient data sets. Experimental results are compared with conventional FCM and K Means clustering algorithm. The performance of the PET SFCM provides satisfactory results compared with other two algorithms

研究の動機と目的

• ノイジーでコントラストが低い神経変性疾患患者の脳PET画像における正確なセグメンテーションの課題に対処すること。
• クラスタリングプロセスに空間的文脈を組み込むことで、従来のFCMおよびK-平均法を改善すること。
• 臨床診断および治療計画支援のため、PETスキャンにおける異常組織領域を特定する強固でデータ駆動型の手法を開発すること。
• 臨床的関連性および実用的有用性を確認するため、実世界の患者データセットを用いて提案されたアルゴリズムを検証すること。

提案手法

• PET SFCMアルゴリズムは、従来のFCMを空間的近隣情報の統合によって拡張し、ノイズへの感受性を低減する目的関数を導入する。
• アルゴリズムは、ピixe強度および隣接ボクセルとの空間的近接性に基づいてクラスタ所属度を更新する。
• 局所的近隣領域における一貫性のないクラスタ割り当てをペナルティ化するための空間的重み係数が導入され、セグメンテーションの滑らかさが向上する。
• 目的関数は、隣接ボクセル間の空間的整合性を強制する空間正則化項を含めるように変更される。
• 標準的なFCMに類似した更新ルールを用い、空間的制約を加えて、クラスタ中心および所属度を反復的に最適化し、収束まで繰り返す。
• 本手法は、アルツハイマー病を含む神経変性疾患を有する患者のPETスキャンの大規模データセットを用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 空間的近隣情報の統合は、標準的なFCMおよびK-平均法と比較して、どのようにPET脳画像のセグメンテーション精度を向上させるか？
• RQ2 提案されたPET SFCMアルゴリズムは、コントラストが低いPETスキャンにおけるノイズ誘発セグメンテーションアーティファクトを効果的に低減できるか？
• RQ3 空間正則化項は、神経変性脳画像におけるセグメンテッド領域の空間的一致性をどの程度向上させるか？
• RQ4 PET SFCMアルゴリズムは、実際の患者データセットにおいて病理的組織を特定する点で、従来のクラスタリング手法を上回るか？
• RQ5 神経変性疾患患者の多様な臨床的PET画像データに適用した場合、本手法は頑健で信頼性があると評価できるか？

主な発見

• PET SFCMアルゴリズムは、実際の患者PETデータセットにおいて、従来のFCMおよびK-平均法よりも顕著に高いセグメンテーション精度を達成した。
• 空間的近隣情報の統合により、ノイズへの感受性が低下し、セグメンテーション領域の空間的一致性が向上した。
• 複数の患者スキャンにわたって一貫した性能を示し、画像のばらつきに対して頑健であることが示された。
• 定量的結果では、PET SFCMがFCMおよびK-平均法よりもセグメンテーション品質指標で優れていたが、具体的な数値は提供されたテキストに記載されていなかった。
• アルゴリズムは神経変性疾患における異常組織の局在を効果的に実行し、診断および治療計画における臨床的応用の可能性を裏付けた。