[논문 리뷰] A Novel Method for Automatic Segmentation of Brain Tumors in MRI Images

Saeid Fazli, Parisa Nadirkhanlou|arXiv (Cornell University)|2013. 12. 29.

Medical Image Segmentation Techniques참고 문헌 18인용 수 13

한 줄 요약

이 논문은 이방향 확산, 두개골 제거, 그리고 빠른 경계 상자(Fast Bounding Box, FBB) 알고리즘을 사용한 사전 처리를 통해 T2 강조 MRI 영상에서 뇌 종양 분할을 위한 비지도 자동 방법을 제안한다. 이 방법은 선택된 종양 중심 포인트에 대해 일종의 서포트 벡터 머신(One-Class SVM)을 사용하여 분류를 수행하며, 10명의 환자로부터 확보한 100개의 MRI 스캔 데이터셋에서 높은 정밀도와 신뢰성을 달성하여 방사선의학 전문의가 종양 크기와 위치를 추정하는 데 크게 기여한다.

ABSTRACT

The brain tumor segmentation on MRI images is a very difficult and important task which is used in surgical and medical planning and assessments. If experts do the segmentation manually with their own medical knowledge, it will be time-consuming. Therefore, researchers propose methods and systems which can do the segmentation automatically and without any interference. In this article, an unsupervised automatic method for brain tumor segmentation on MRI images is presented. In this method, at first in the pre-processing level, the extra parts which are outside the skull and don't have any helpful information are removed and then anisotropic diffusion filter with 8-connected neighborhood is applied to the MRI images to remove noise. By applying the fast bounding box(FBB) algorithm, the tumor area is displayed on the MRI image with a bounding box and the central part is selected as sample points for training of a One Class SVM classifier. A database is also provided by the Zanjan MRI Center. The MRI images are related to 10 patients who have brain tumor. 100 T2-weighted MRI images are used in this study. Experimental results show the high precision and dependability of the proposed algorithm. The results are also highly helpful for specialists and radiologists to easily estimate the size and position of a tumor.

연구 동기 및 목표

• 수동적인 뇌 종양 분할의 시간 소모 문제를 해결하기 위해 자동화되고 전문가에 의존하지 않는 방법을 개발하기 위해.
• 노이즈와 강도 비균일성으로 인해 복잡한 MRI 스캔에서의 분할 정확도와 신뢰성을 향상시키기 위해.
• 정확하고 자동화된 종양 크기 및 위치 추정을 통해 방사선의학 전문의와 신경외과의사가 보다 효과적으로 진료를 수행할 수 있도록 지원하기 위해.
• 연구 목적을 위해 공개 가능한 10명의 환자로부터 확보한 100개의 T2 강조 MRI 스캔 데이터베이스를 제공하기 위해.

제안 방법

• 사전 처리 단계에서는 비정상적인 뇌 구조와 노이즈를 제거하기 위해 두개골 제거를 수행하고, 8연결 이웃 영역을 사용한 이방향 확산을 통해 노이즈 감소를 실시한다.
• 빠른 경계 상자(Fast Bounding Box, FBB) 알고리즘은 종양 영역을 식별하고, 분류기 학습을 위한 샘플로 중심 영역을 선택한다.
• 일종의 서포트 벡터 머신(One-Class SVM)은 종양 영역의 샘플에만 전적으로 훈련되어 종양의 내재적 특성을 학습한다.
• 이 방법은 수동 레이블링이나 사전 분할이 필요 없는 비지도 방식으로 작동한다.
• 이 접근법은 자율적으로 수집한 100개의 T2 강조 MRI 영상으로 구성된 맞춤형 데이터베이스를 활용한다.

실험 결과

연구 질문

• RQ1 수동 개입 없이도 높은 정밀도의 뇌 종양 분할을 달성할 수 있는 비지도 방법이 존재하는가?
• RQ2 노이즈가 있는 MRI 스캔에서 종양 영역을 국소화하고 분류하는 데 FBB와 One-Class SVM의 조합이 얼마나 효과적인가?
• RQ3 제안된 방법이 임상적 사용을 위한 종양 크기 및 위치 추정의 정확도와 효율성을 어느 정도 향상시키는가?
• RQ4 이 방법은 다양한 MRI 강도 패턴과 종양 형태에 대해 얼마나 강건한가?

주요 결과

• 제안된 방법은 10명의 환자로부터 확보한 100개의 T2 강조 MRI 영상에서 뇌 종양 분할에 대해 높은 정밀도와 높은 신뢰성을 달성하였다.
• FBB를 통한 종양 영역 국소화는 One-Class SVM 학습을 위한 중심 종양 포인트 효과적인 샘플링을 가능하게 하였다.
• 이방향 확산 필터링은 사전 처리 단계에서 노이즈를 크게 감소시키면서도 종양 경계를 잘 보존하였다.
• 정확하고 자동화된 종양 크기 및 위치 추정이 가능해, 임상 적용 잠재력이 매우 높게 나타났다.