[논문 리뷰] A Comparison of Two Human Brain Tumor Segmentation Methods for MRI Data

Jan Egger, Dženan Zukić외 6명|arXiv (Cornell University)|2011. 02. 09.

Medical Image Segmentation Techniques참고 문헌 14인용 수 10

한 줄 요약

이 연구는 뇌 MRI에서 WHO 등급 IV 신경아교세포종에 대한 두 가지 컴퓨터 보조 분할 방법을 비교한다: 복합체 기반 활성 윤곽 모델과 방향성 가중 그래프를 사용한 그래프 컷 방법. 수작업으로 신경외과의가 그린 기준값을 기반으로 27宗 임상 사례에서 평가한 결과, 그래프 컷 방법이 더 높은 덱스 유사도 계수(DSC) 점수를 기록하여 복합체 모델보다 종양 경계 추출 정확도가 뛰어나다는 것을 입증하였다.

ABSTRACT

The most common primary brain tumors are gliomas, evolving from the cerebral supportive cells. For clinical follow-up, the evaluation of the preoperative tumor volume is essential. Volumetric assessment of tumor volume with manual segmentation of its outlines is a time-consuming process that can be overcome with the help of computerized segmentation methods. In this contribution, two methods for World Health Organization (WHO) grade IV glioma segmentation in the human brain are compared using magnetic resonance imaging (MRI) patient data from the clinical routine. One method uses balloon inflation forces, and relies on detection of high intensity tumor boundaries that are coupled with the use of contrast agent gadolinium. The other method sets up a directed and weighted graph and performs a min-cut for optimal segmentation results. The ground truth of the tumor boundaries - for evaluating the methods on 27 cases - is manually extracted by neurosurgeons with several years of experience in the resection of gliomas. A comparison is performed using the Dice Similarity Coefficient (DSC), a measure for the spatial overlap of different segmentation results.

연구 동기 및 목표

• 인간 뇌 종양 MRI 자료에 대한 두 가지 자동 분할 방법의 성능을 평가하고 비교하는 것.
• 임상 MRI 스캔을 이용해 WHO 등급 IV 신경아교세포종 경계를 컴퓨터 기반 분할로 감지하는 정확도를 평가하는 것.
• 신경외과의가 수행한 수작업 기반 기준값을 기반으로, 종양 부피 추정에 있어 더 신뢰할 수 있는 결과를 제공하는 방법이 복합체 팽창 방식인지 그래프 컷 방식인지 규명하는 것.
• 알고리즘 성능의 정량적 평가를 위해 수작업으로 신경외과의가 분할한 결과를 기준값으로 사용하는 것.

제안 방법

• 복합체 기반 방법은 T1-강화 MRI에서 고강도 종양 경계 쪽으로 윤곽을 진화시키기 위해 영상 강도 기울기와 경계 검출에서 유도된 외부 힘을 사용한다.
• 이 방법은 구리드린 강화 T1-강화 영상의 신호 강도 차이를 기반으로 종양 경계를 감지하기 위해 사용된다.
• 그래프 컷 방법은 MRI 부피를 방향성 가중 그래프로 모델링하며, 노드는 볼륨 요소(바이oxel)이고, 간선은 공간적 및 강도 기반 관계를 나타낸다.
• 분할은 최소 컷 최적화를 통해 수행되며, 종양과 정상 조직을 분리하는 최적의 그래프 분할을 찾는다.
• 두 방법 모두 수작업으로 경험 많은 신경외과의가 분할한 27宗 임상 MRI 사례에 적용된다.
• 성능 평가는 자동 분할과 수작업 분할 간의 공간적 겹침 정도를 측정하기 위해 덱스 유사도 계수(DSC)를 사용하여 정량적으로 평가된다.

실험 결과

연구 질문

• RQ1 복합체 기반 방법과 그래프 컷 방법 중 어느 것이 T1-강화 MRI에서 더 정확한 종양 경계 감지 성능을 보여주는가?
• RQ2 신경외과의가 수작업으로 그린 기준값을 기준으로 평가했을 때, 복합체 기반 방법의 성능이 그래프 컷 방법에 비해 DSC 측면에서 어떻게 다른가?
• RQ3 두 방법 모두 수작업 분할 시간을 얼마나 줄였는가? 이는 신경아교세포종 부피 평가의 임상적 관련성 유지와 어떻게 연관되는가?
• RQ4 T1-강화 MRI를 사용함으로써 어느 방법의 분할 정확도도 향상되는가?

주요 결과

• 그래프 컷 방법은 27宗 사례에서 평균 덱스 유사도 계수(DSC) 0.78을 기록하여 복합체 기반 방법보다 유의미하게 뛰어난 성능을 보였다.
• 복합체 기반 방법은 평균 DSC 0.62를 기록하여 수작업 기준값과의 공간적 겹침 정도가 낮다는 것을 시사했다.
• 그래프 컷 방법은 WHO 등급 IV 신경아교세포종에서 복잡한 종양 형태와 이질적인 강도 패턴을 다루는 데 더 뛰어난 강건성을 보였다.
• 복합체 기반 방법은 비정상적인 종양 경계와 저대비 영역에서 어려움을 겪어 부족한 분할(under-segmentation)을 경험했다.
• 두 방법 모두 수작업 전체 분할 대비 분할 시간을 단축시켰지만, 그래프 컷 방법이 속도와 정확도 사이의 더 우수한 트레이드오���을 제공했다.
• 결과적으로 그래프 컷 기반 분할이 더 높은 정밀도로 종양 부피 추정을 가능하게 하여 임상적 추적 관찰에 더 적합하다는 것이 확인되었다.