[논문 리뷰] A Review on Automated Brain Tumor Detection and Segmentation from MRI of Brain

Sudipta Roy, Sanjay Nag외 2명|arXiv (Cornell University)|2013. 12. 16.

Brain Tumor Detection and Classification참고 문헌 193인용 수 49

한 줄 요약

이 논문은 뇌 MRI 영상에서 자동화된 뇌 종양 탐지 및 분할 기법을 검토하며, 조직의 변동성과 정상 뇌 구조와의 유사성과 같은 과제에 초점을 맞춘다. 강도 기반 클러스터링, 영역 성장, 기계 학습 등의 다양한 계산 기법을 평가하여 수동 분할에 비해 정확도와 효율성을 향상시키는 데서의 강점과 한계를 강조한다.

ABSTRACT

Tumor segmentation from magnetic resonance imaging (MRI) data is an important but time consuming manual task performed by medical experts. Automating this process is a challenging task because of the high diversity in the appearance of tumor tissues among different patients and in many cases similarity with the normal tissues. MRI is an advanced medical imaging technique providing rich information about the human soft-tissue anatomy. There are different brain tumor detection and segmentation methods to detect and segment a brain tumor from MRI images. These detection and segmentation approaches are reviewed with an importance placed on enlightening the advantages and drawbacks of these methods for brain tumor detection and segmentation. The use of MRI image detection and segmentation in different procedures are also described. Here a brief review of different segmentation for detection of brain tumor from MRI of brain has been discussed.

연구 동기 및 목표

• MRI 영상에서 뇌 종양을 탐지하고 분할하는 데 있어 기존 자동화 기법을 분석하고 비교하는 것.
• 조직 이질성과 정상 뇌 구조와의 유사성으로 인해 발생하는 종양 분할 과제를 특정하는 것.
• 임상 환경에서 다양한 영상 처리 및 기계 학습 기법의 성능과 한계를 평가하는 것.
• MRI 기반 종양 탐지 워크플로우와 그 의료 진단에의 통합에 대한 종합적 개요 제공

제안 방법

• MRI 데이터를 이용한 뇌 종양 탐지 및 분할에 관한 30개 이상의 연구에 대한 체계적 검토.
• 강도 기반, 영역 성장, 기계 학습 접근법으로 기법을 분류.
• 분할에 사용된 기술 평가: 퍼지 c-평균 클러스터링, 레벨셋 방법, 서포트 벡터 머신.
• 노이즈 감소, 비편향 필드 보정, 영상 정규화와 같은 사전 처리 단계 분석.
• 환자 데이터셋 간 정확도와 일반화 능력 측면에서 지도 학습 및 비지도 학습 모델 비교.
• 기법 평가에 임상적 관련성과 계산 효율성 통합.

실험 결과

연구 질문

• RQ1 MRI 영상에서 뇌 종양 분할 자동화를 위한 주요 기술적 과제는 무엇인가?
• RQ2 예를 들어 클러스터링, 영역 성장, 기계 학습 등의 다양한 분할 기법은 정확도와 견고성 측면에서 어떻게 비교되는가?
• RQ3 MRI 영상 품질과 사전 처리가 자동 종양 탐지 시스템의 성능에 어떤 역할을 하는가?
• RQ4 시간 효율성과 임상적 유용성 측면에서 자동화 기법은 수동 분할에 비해 어떻게 비교되는가?
• RQ5 현재 접근법이 환자 간 변동성과 종양의 외관 다양성 처리에 있어 가지는 한계는 무엇인가?

주요 결과

• 퍼지 c-평균과 같은 강도 기반 기법은 중간 수준의 정확도를 보이지만 노이즈와 강도 비균일성 문제로 어려움을 겪는다.
• 영역 성장 기법은 시드 포인트 선택과 초깃값 설정에 민감하여 견고성이 제한된다.
• 기계 학습 모델, 특히 SVM과 지도 학습 분류기들은 전통적 기법에 비해 분할 정확도가 향상됨을 보여준다.
• 클러스터링 + 레벨셋과 같은 다중 기법을 조합한 하이브리드 접근법은 단일 기법 대비 더 나은 성능을 낸다.
• 비편향 필드 보정과 같은 사전 처리 단계는 모든 기법에서 분할 성능 향상에 크게 기여한다.
• 진전이 있었음에도 불구하고, 어떤 한 기법도 모든 종양 유형과 MRI 시퀀스에서 일관되게 높은 정확도를 달성하지 못하고 있어 향후 연구가 필요하다.