[논문 리뷰] 3D Ultrasound image segmentation: A Survey

M. Hamed Mozaffari, Won‐Sook Lee|arXiv (Cornell University)|2016. 11. 29.

Medical Image Segmentation Techniques참고 문헌 9인용 수 5

한 줄 요약

이 종합 검토는 의료 응용 분야에서 3차원 초음파 영상 분할 기법에 대해 포괄적으로 검토하며, 전립선 및 유방암, 태아 영상, 심혈관계 분석과 같은 임상적 용도별로 방법을 분류한다. 기법들은 상호작용성, 내성, 평가 지표 기준으로 평가되며, 많은 3차원 기법들이 2차원 접근 방식을 확장한 것임을 강조하고 있으나, 복잡하고 저대trast 영상에서 최적의 성능을 내기 위해 특화된 3차원 또는 4차원 알고리즘이 필요하다고 밝힌다.

ABSTRACT

Three-dimensional Ultrasound image segmentation methods are surveyed in this paper. The focus of this report is to investigate applications of these techniques and a review of the original ideas and concepts. Although many two-dimensional image segmentation in the literature have been considered as a three-dimensional approach by mistake but we review them as a three-dimensional technique. We select the studies that have addressed the problem of medical three-dimensional Ultrasound image segmentation utilizing their proposed techniques. The evaluation methods and comparison between them are presented and tabulated in terms of evaluation techniques, interactivity, and robustness.

연구 동기 및 목표

• 임상 진단에 적용 가능한 3차원 초음파 영상 분할 기법을 체계적으로 검토하기.
• 상호작용성, 내성, 평가 방법 기반으로 분할 기법을 분석하고 비교하기.
• 현재 접근 방식의 격차를 특정화하기, 특히 3차원 응용 분야에서 2차원 기법 확장에 대한 의존성 문제.
• 전립선, 유방, 태아, 심장 영상과 같은 임상 적용 분야별로 3차원 US 분할 기법의 분류 체계를 수립하기.
• 다양한 의료 환경에서의 강점과 한계를 요약하여 연구자들이 적절한 분할 기법을 선택하는 데 도움을 주기.

제안 방법

• 전립선 암, 유방암, 태아 및 배아 영상, 심혈관계, 정형외과 응용 분야를 포함한 임상 적용 분야별로 3차원 US 분할 기법을 분류한다.
• 탄성 표면, 레벨셋, 그래프 기반 방법, 해부학적 지식을 통합한 활성 윤곽선 등의 고전적 및 최신 기법을 검토한다.
• 상호작용성(수동, 반자동, 자동), 노이즈 및 아티팩트에 대한 내성, 성능 지표 등의 기준을 사용해 기법을 평가한다.
• 3차원 활성 다면체, 후프 숲, 3차원 US 볼륨에서 훈련된 랜덤 숲 분류기와 같은 특정 구현 사례를 분석한다. 이는 조직 분류에 사용된다.
• 모 bord 및 영역 기반 특징을 조합한 하이브리드 접근 방식을 분석한다. 예를 들어, Lee 등은 추출된 특징을 바탕으로 SVM을 사용해 종양 분류를 수행한다.
• 통계 모델(예: 파르젠 추정기)과 다중 해상도 체계를 활용한 텍스처 기반 및 강도 기반 분할 기법을 검토한다. 이는 실시간 조직 구분에 기여한다.

실험 결과

연구 질문

• RQ1 전립선 또는 유방암 진단과 같은 임상적 응용 분야에서 가장 효과적인 3차원 초음파 분할 기법은 무엇인가?
• RQ2 상호작용 수준(수동, 반자동, 자동)은 분할 정확도와 임상적 사용성에 어떤 영향을 미치는가?
• RQ3 고전적인 2차원 분할 기법이 3차원 초음파 영상에 얼마나 일반화될 수 있으며, 그 한계는 무엇인가?
• RQ4 랜덤 숲, 활성 윤곽선, 그래프 기반 모델과 같은 고급 기법은 저대비, 노이즈가 많은 3차원 US 영상에서 내성을 어떻게 향상시키는가?
• RQ5 특히 2차원 슬라이스에서 유도된 경우, 영상 복원 품질이 3차원 US 분할 성공에 어떤 역할을 하는가?

주요 결과

• 많은 3차원 US 분할 기법들이 2차원 기법의 확장으로서 개발되어, 볼륨 데이터의 잠재력을 최대로 활용하기 위해 본질적인 3차원 또는 4차원 알고리즘이 필요하다는 점을 시사한다.
• 내부 및 외부 힘(예: 곡률 최소화 및 영상 특징 유도)을 갖춘 탄성 모델은 초기화 민감성 외에는 전립선 분할에서 뛰어난 성능을 보인다.
• 3차원 US 볼륨에서 훈련된 지도 학습 기법인 후프 숲 및 랜덤 숲은 중뇌, 전립선, 심장 구조와 같은 정확한 조직 분류를 달성한다.
• 통계 모델(예: 파르젠 비모수 추정)을 활용한 텍스처 기반 및 강도 기반 분할 기법은 종양, 혈액, 수술 기구를 정확하게 구분하는 데 기여한다.
• 해부학적 지식을 통합한 그래프 기반 및 활성 윤곽선 기법은 눈, 폐와 같은 복잡한 해부학적 영역에서 강력한 분할 성능을 보인다.
• 평가 결과, 상호작용성과 내성은 기법 간에 상당한 차이를 보이며, 반자동 및 자동 기법이 수동 기법에 비해 일관성과 재현성 면에서 뛰어나다.