[논문 리뷰] Automatic 3D Liver Segmentation Using Sparse Representation of Global and Local Image Information via Level Set Formulation

Saif Dawood Salman Al-Shaikhli, Michael Ying Yang외 1명|arXiv (Cornell University)|2015. 08. 06.

Medical Image Segmentation Techniques참고 문헌 10인용 수 30

한 줄 요약

이 논문은 전역(영역 기반) 및 국소(바voxel 단위) 이미지 특징의 희소 표현을 통해 개선된 레벨셋 설정을 사용하는 새로운 3D 간장 분할 프레임워크를 제안한다. MICCAI-SLiver07 데이터셋에서 K-SVD를 통해 학습된 두 개의 사전—전역 이미지 특징용과 국소 형태 사전용—을 이용함으로써, 이 방법은 최신 기술 수준의 성능을 달성하여 MICCAI-SLiver07 테스트 세트에서 79.6%의 분할 정확도를 기록했으며, 이는 이전 35개의 방법들을 능가하는 성과이다.

ABSTRACT

In this paper, a novel framework for automated liver segmentation via a level set formulation is presented. A sparse representation of both global (region-based) and local (voxel-wise) image information is embedded in a level set formulation to innovate a new cost function. Two dictionaries are build: A region-based feature dictionary and a voxel-wise dictionary. These dictionaries are learned, using the K-SVD method, from a public database of liver segmentation challenge (MICCAI-SLiver07). The learned dictionaries provide prior knowledge to the level set formulation. For the quantitative evaluation, the proposed method is evaluated using the testing data of MICCAI-SLiver07 database. The results are evaluated using different metric scores computed by the challenge organizers. The experimental results demonstrate the superiority of the proposed framework by achieving the highest segmentation accuracy (79.6\%) in comparison to the state-of-the-art methods.

연구 동기 및 목표

• CT 스캔에서의 간장 분할 과제를 해결하기 위해, 겹치는 기관 경계와 높은 해부학적 변동성과 같은 과제를 다루기 위해.
• 레벨셋 프레임워크에 전역 영역 기반 및 국소 바voxel 단위 이미지 정보를 통합하여 분할 정확도를 향상시키기 위해.
• 기존 최신 기술 수준의 접근 방식을 능가하는 완전 자동 3D 분할 방법을 개발하기 위해.
• 사전 학습 및 희소 코딩을 활용하여 복잡한 비선형 이미지 분포를 모델링하여 간장과 주변 조직 간의 분리 성능을 향상시키기 위해.
• 표준화된 MICCAI-SLiver07 벤치마크에서 도전 대회 조직자들이 제공한 철저하고 체계적인 평가 지표를 사용하여 방법을 검증하기 위해.

제안 방법

• 데이터 및 정규화 항목을 조합한 새로운 에너지 기능을 갖춘 레벨셋 설정을 사용한다.
• 텍스처, Hounsfield 단위(HU), 부피 특성과 같은 전역 이미지 특징에서 K-SVD를 사용해 영역 기반 특징 사전을 학습한다.
• 학습 데이터에서 국소 형태 사전을 K-SVD를 통해 학습하여 국소 이미지 정보를 표현하는 바voxel 단위 사전을 만든다.
• 레벨셋 에너지 기능의 데이터 항목은 두 사전의 희소 표현을 통합하여 분할을 이끌어내기 위해 활용된다.
• 정규화 항목은 학습된 바voxel 단위 사전에서 유도된 형태 사전 정보를 포함하도록 수정된다.
• 도전 대회 조직자들이 제공한 표준 지표를 사용하여 MICCAI-SLiver07 공개 데이터셋에서 프레임워크를 학습하고 평가한다.

실험 결과

연구 질문

• RQ1 전역 및 국소 희소 표현의 통합이 CT 영상에서 3D 간장 분할 정확도를 향상시킬 수 있는가?
• RQ2 영역 기반 및 바voxel 단위 사전 학습을 결합함으로써, 겹치는 기관 경계가 존재하는 상황에서 분할 성능이 어떻게 향상되는가?
• RQ3 이중 사전 기반의 희소 표현을 갖춘 제안된 레벨셋 설정은 MICCAI-SLiver07 벤치마크에서 기존 최신 기술 수준의 방법들을 능가하는가?
• RQ4 K-SVD로 학습된 사전는 간장 강도 및 형태 분포의 비선형 변동성을 어느 정도 잘 포괄하는가?
• RQ5 대규모 학습 데이터셋에 의존하지 않고도 완전 자동 3D 분할 방법이 뛰어난 성능을 달성할 수 있는가?

주요 결과

• 제안된 방법은 MICCAI-SLiver07 도전 대회에 제출된 35개의 자동 방법 중에서 가장 높은 분할 정확도 79.6%를 기록했다.
• 전체적으로 전역 및 국소 희소 표현을 활용함으로써 이전 최고 성능 방법(77.3% 정확도)을 초월했다.
• 평균 대칭 표면 거리(AvgD)는 0.95 mm로, 분할의 표면 수준 정확도가 매우 높음을 나타낸다.
• 근미분 제곱 대칭 표면 거리(RMSD)는 1.58 mm로, 경계 일치의 높은 일관성을 반영한다.
• VOE(체적 오버랩 오차)는 6.44%로, 실제 분할 결과와의 높은 오버랩을 나타낸다.
• 공식적인 MICCAI-SLiver07 도전 대회 조직자들에 의해 결과가 검증되었으며, 분할 정확도에서 1위를 차지했다.