[논문 리뷰] A Time Series Graph Cut Image Segmentation Scheme for Liver Tumors

Laramie Paxton, Yufeng Cao외 4명|arXiv (Cornell University)|2018. 09. 13.

Radiomics and Machine Learning in Medical Imaging참고 문헌 29인용 수 3

한 줄 요약

이 논문은 시간적 시계열 강도 특징과 정규화된 에너지 항을 사용하여 2D CT 스캔에서 간 종양을 반자동으로 분할하는 방법을 제안한다. λ 최적화를 제거한다. 평균 DSC는 0.77이며, 학습 데이터가 필요 없이 슬라이스당 1.25분의 처리 시간을 기록한다.

ABSTRACT

Tumor detection in biomedical imaging is a time-consuming process for medical professionals and is not without errors. Thus in recent decades, researchers have developed algorithmic techniques for image processing using a wide variety of mathematical methods, such as statistical modeling, variational techniques, and machine learning. In this paper, we propose a semi-automatic method for liver segmentation of 2D CT scans into three labels denoting healthy, vessel, or tumor tissue based on graph cuts. First, we create a feature vector for each pixel in a novel way that consists of the 59 intensity values in the time series data and propose a simplified perimeter cost term in the energy functional. We normalize the data and perimeter terms in the functional to expedite the graph cut without having to optimize the scaling parameter $λ$. In place of a training process, predetermined tissue means are computed based on sample regions identified by expert radiologists. The proposed method also has the advantage of being relatively simple to implement computationally. It was evaluated against the ground truth on a clinical CT dataset of 10 tumors and yielded segmentations with a mean Dice similarity coefficient (DSC) of .77 and mean volume overlap error (VOE) of 36.7%. The average processing time was 1.25 minutes per slice.

연구 동기 및 목표

• 의사가 수동 분할을 어려움을 겪게 하는 저대비, 경계가 불분명한 간 종양 문제를 해결한다.
• 수동 분할과 관련된 시간과 변동성을 줄이고 재현 가능성을 향상시킨다.
• 기계 학습 기반 접근 방식에서 흔히 요구되는 학습 데이터 없이도 계산 효율성이 높은 반자동 방법을 개발한다.
• 시간적 시계열 강도 데이터를 활용하여 노이즈와 약한 경계가 있는 상황에서도 분할의 강건성을 향상시킨다.
• 수술 전 계획 및 종양 분류에 적합한 빠르고 정확하며 재현 가능한 분할을 가능하게 한다.

제안 방법

• 동적 CT 스캔의 59단계에서의 강도 값을 사용하여 픽셀당 59차원의 특징 벡터를 구성하여 조직의 구분 능력을 향상시킨다.
• 전문가가 식별한 ROI 영역의 정의된 조직 평균을 기반으로 한 데이터 적합성 항과 단순화된 둘레 비용 항을 포함한 에너지 기능을 설정한다.
• 에너지 기능 내의 데이터 항과 둘레 항을 정규화하여 λ 파rameter 최적화가 필요 없도록 한다.
• 보이코프-콜모고로프 최대 유량 알고리즘을 사용하여 두 단계로 그래프 컷을 수행한다: 첫 번째로 종양과 건강한 조직을 분리하고, 두 번째로 혈관과 종양 조직을 분리한다.
• 두 단계 분할 파이프라인을 활용한다: 초기 컷은 종양과 비종양 조직을 분리하고, 이후 두 번째 컷을 통해 혈관 구조를 고립시킨다.
• 최대 유량 최소 컷 정리를 활용하여 전역 에너지 최소화를 효율적으로 계산하여 활성 윤곽선 방법에서 흔히 발생하는 국소 최소값 문제를 피한다.

실험 결과

연구 질문

• RQ1 시간적 시계열 강도 데이터를 특징 벡터에 통합하면 경계가 흐리고 대비가 낮은 간 종양의 그래프 컷 분할에 대한 강건성을 향상시킬 수 있는가?
• RQ2 에너지 기능 내의 데이터 항과 둘레 항을 정규화하면 분할 정확도를 유지하면서도 λ 파rameter 조정이 필요 없어지는가?
• RQ3 전문가가 식별한 조직 평균을 기반으로 한 반자동 방법이 대규모 학습 데이터가 없이도 경쟁력 있는 성능을 달성할 수 있는가?
• RQ4 기존의 그래프 컷 및 기계 학습 기반 분할 기법과 비교하여 제안된 방법은 정확도와 속도 측면에서 어떤가?
• RQ5 이 방법의 주요 한계점은 작은 종양 탐지와 혈관 구조 정확한 분할에 있어 무엇인가?

주요 결과

• 제안된 방법은 임상 데이터셋(10개 간 종양)에서 평균 DSC 0.77을 달성하여 강력한 전체 분할 성능를 입증하였다.
• 평균 볼륨 오버랩 오차(VOE)는 36.7%였으며, 이는 비교적 높지만 학습이 없는 점을 고려할 때 다른 그래프 컷 기반 방법과 유사하다.
• 평균 처리 시간은 슬라이스당 1.25분으로, 수동 분할 평균 4.2분/종양보다 뚜렷이 빠르다.
• 다른 9개의 방법 중 5개보다 런타임에서 뛰어나며, MIDAS 데이터셋에서 수동 분할(0.83)과 유사한 DSC 스코어를 기록하였다.
• 상대 볼륨 차이(RVD)는 35.1%로 상대적으로 높았는데, 주로 과도분할과 작은 종양의 누락으로 인해 발생하여, 작은 또는 저대비 병변에 대한 과제를 드러냈다.
• 두 번째 그래프 컷 단계에서 혈관 분할 성능이 열악하여 혈관 구조에 대한 개선된 모델링 또는 사전처리가 필요함을 시사한다.