[論文レビュー] Ultrasound Confidence Maps of Intensity and Structure Based on Directed Acyclic Graphs and Artifact Models

Alex Ling Yu Hung, Wanwen Chen+1 more|arXiv (Cornell University)|Nov 24, 2020

Medical Image Segmentation Techniques参考文献 18被引用数 5

ひとこと要約

本稿では、有向無閉路グラフ（DAG）とアーティファクトモデルを用いた、ピクセル単位の強度および構造的信頼性を評価する新規な超音波信頼性マッピングフレームワークを提案する。深さに依存するエッジ重みを備えた因果的DAGにより、減衰、回折、スぺッケル、および影やリバーブレーションなどのアーティファクトをモデル化することで、従来手法に比べて信頼性推定がより強固となり、特に血管境界の保持とアーティファクトの抑制において優れた性能を発揮する。

ABSTRACT

Ultrasound imaging has been improving, but continues to suffer from inherent artifacts that are challenging to model, such as attenuation, shadowing, diffraction, speckle, etc. These artifacts can potentially confuse image analysis algorithms unless an attempt is made to assess the certainty of individual pixel values. Our novel confidence algorithms analyze pixel values using a directed acyclic graph based on acoustic physical properties of ultrasound imaging. We demonstrate unique capabilities of our approach and compare it against previous confidence-measurement algorithms for shadow-detection and image-compounding tasks.

研究の動機と目的

• 超音波画像のアーティファクト（影、減衰、回折、スぺッケルなど）が画像解析の信頼性を損なうという課題に対処する。
• 勾配の変化に敏感で、リバーブレーションや回折効果を十分にモデル化できない従来の信頼性推定手法の限界を克服する。
• 深さに伴い自然に減衰するが、構造的境界を保持する強度信頼性マップを構築する。
• 真正の解剖学的境界の確率を定量化する新規な構造的信頼性マップを導入し、アーティファクトと区別する。
• 融合アルゴリズムにおける不確実性指標を本手法の信頼性マップに置き換えることで、画像合成の性能を向上させる。

提案手法

• 信頼性推定の前処理として、Cannyエッジに注意を払う係数を用いた異方的拡散を適用し、スぺッケルノイズを低減する。
• 各ピクセルの信頼性が、上位行のピクセル群からの重み付き和にのみ依存する有向無閉路グラフ（DAG）を構築する。
• 隣接する上位行ピクセルの影響をモデル化するため、ガウス型重み関数 ψ(k) を用いる。特に、正上方のピクセルが最も寄与する。
• 画像勾配と深さに基づいたエッジ重み wi,j,k を定義し、物理的減衰および回折効果を組み込む。
• 因果的介入として最初の画像行で信頼性を1.0に初期化し、式(3)に従って下方に信頼性を伝搬する: C(i+1,j) = Σ ψ(k)wi,j+k,kC(i,j+k)。
• エッジおよびテクスチャ特徴量を別々に計算し、真正の解剖学的境界を特定する構造的信頼性を推定する。

実験結果

リサーチクエスチョン

• RQ1 従来のランダムウォーク手法と比較して、DAGベースの信頼性モデルは、均一な超音波領域における急激な強度勾配をより効果的に処理できるか？
• RQ2 減衰および回折を明示的にモデル化することで、深部組織領域における信頼性推定がどの程度向上するか？
• RQ3 提案された構造的信頼性マップは、リバーブレーションや影などのアーティファクトと真正の解剖学的境界を効果的に区別できるか？
• RQ4 ニードルやリバーブレーションなどのアーティファクト固有のモデリングを組み込むことで、画像合成性能がどの程度向上するか？
• RQ5 融合アルゴリズムにおける不確実性を信頼性に置き換えることで、合成タスクにおける画像品質が向上するか？

主な発見

• 強度信頼性マップでは、アーティファクトなしのパッチAで中央値0.92、ニードルによるパッチCで0.75、リバーブレーションによるパッチBで0.49を示し、期待される減衰およびアーティファクトによる劣化を適切に反映している。
• 構造的信頼性マップは、パッチAおよびC（非アーティファクト）で中央値0.96を示す一方、リバーブレーションによるパッチBでは0.65に低下し、アーティファクトと真正の構造を効果的に区別している。
• [8]と比較して、本手法は勾配の変化に対してより頑健であり、均一領域で不自然に低い信頼性を示さない。
• 合成処理において、ニードルおよびリバーブレーションのモデリングを組み込んだ本手法の高度な信頼性マップは、図4の3列目で[8]の手法よりもリバーブレーションのドットをより効果的に抑制している。
• 表1の定量的結果は、設計原理を裏付ける：Cint(A) > Cint(C) > Cint(B) および Cstr(A) ≈ Cstr(C) >> Cstr(B) であり、モデルの意図された挙動が正当化されている。
• 強度信頼性マップは、影領域およびリバーブレーション領域での誤った信頼性を低減し、影領域のパッチBでは中央値0.27を示しており、効果的なアーティファクト抑制が実現している。