[논문 리뷰] Liver Segmentation in Abdominal CT Images by Adaptive 3D Region Growing

Shima Rafiei, Nader Karimi외 5명|arXiv (Cornell University)|2018. 02. 21.

Medical Image Segmentation Techniques인용 수 3

한 줄 요약

이 논문은 복부 CT 영상에서 간 분할을 위한 적응형 3D 영역 성장 방법을 제안한다. 강건한 강도 사전 지식, 공간적 위치 제약 조건, 대trast 강화를 통한 경계 인식 영역 확장 기법을 통합하였다. 92.56%의 Dice 스코어를 달성하였으며, Deeds 사전 지도에 대한 하드 임계값 처리 및 13개 장기 정렬을 통한 다수결 투표보다 우수한 성능을 보였지만, 표 1의 결과는 저자들에 의해 나중에 수정되었다.

ABSTRACT

Automatic liver segmentation plays an important role in computer-aided diagnosis and treatment. Manual segmentation of organs is a difficult and tedious task and so prone to human errors. In this paper, we propose an adaptive 3D region growing with subject-specific conditions. For this aim we use the intensity distribution of most probable voxels in prior map along with location prior. We also incorporate the boundary of target organs to restrict the region growing. In order to obtain strong edges and high contrast, we propose an effective contrast enhancement algorithm to facilitate more accurate segmentation. In this paper, 92.56% Dice score is achieved. We compare our method with the method of hard thresholding on Deeds prior map and also with the majority voting on Deeds registration with 13 organs.

연구 동기 및 목표

• 복부 CT에서 수동 간 분할의 과제를 해결하기 위해, 이는 시간이 많이 소요되고 오류가 발생하기 쉬운 과정이다.
• 개별 환자의 강도 분포와解부학적 위치 사전 지식을 통합하여 분할 정확도를 향상시키기 위해.
• 경계 인식 영역 확장을 통해 정밀한 영역 성장을 향상시키기 위해 대trast 강화 알고리즘을 도입하기 위해.
• 장기 경계 정보를 영역 성장 과정에 통합하여 과다 분할 및 과소 분할을 줄이기 위해.
• 다양한 환자 해부학적 특성에 걸쳐 강건하고 자동화된 간 분할을 달성하기 위해.

제안 방법

• 이 방법은 Deeds 아틀라스에서 유도된 사전 지도를 사용하여 확률적 간 볼륨의 강도 분포를 모델링한다.
• 개별 환자 강도 사전 지식과 공간적 위치 사전 지식을 융합하여 3D 영역 성장을 지도한다.
• CT 볼륨에서 가장자리 정의와 조직 대trast를 향상시키기 위해 대trast 강화 알고리즘을 적용한다.
• 시드 포인트에서 시작하여 강도 유사성 기반으로 영역을 확장하며, 공간적 및 경계 사전 지식에 의해 제약을 가한다.
• 국소 강도 통계와 경계 정보를 사용하여 성장 임계값을 적응적으로 조정한다.
• 과다 성장을 방지하기 위해 고기울기 볼륨을 탐지하여 경계 제약 조건을 강제한다.

실험 결과

연구 질문

• RQ1 개별 환자 강도 및 공간 사전 지식을 통합한 적응형 3D 영역 성장 기법이 복부 CT에서 간 분할 정확도를 향상시킬 수 있는가?
• RQ2 대trast 강화 단계를 통합할 경우 분할 성능 및 경계 탐지에 어떤 영향을 미치는가?
• RQ3 기존 방법과 비교해 경계 인식 영역 성장 기법이 과다 및 과소 분할을 어느 정도 줄일 수 있는가?
• RQ4 제안된 방법은 Deeds 사전 지도에 대한 하드 임계값 처리 및 13개 장기 정렬을 통한 다수결 투표와 비교해 어떻게 성능을 냈는가?
• RQ5 다양한 사전 지식의 통합이 임상 적용을 위한 강건하고 자동화된 분할 파이프라인을 가능하게 할 수 있는가?

주요 결과

• 제안된 방법은 지표상의 실제와의 겹침을 나타내는 Dice 유사도 계수 92.56%를 달성하였다.
• 분할 정확도 측면에서 Deeds 사전 지도에 대한 하드 임계값 처리보다 성능이 뛰어났다.
• 13개 장기 정렬을 통한 다수결 투표보다도 분할 성능에서 뛰어났다.
• 대trast 강화가 경계 탐지 성능을 크게 향상시켜 더 정확한 영역 확장을 가능하게 하였다.
• 공간적 및 경계 사전 지식의 융합이 장기 경계 근처의 분할 오류를 효과적으로 줄였다.
• 강력한 결과에도 불구하고, 원본 논문의 표 1에는 잘못된 비교가 포함되어 있었고, 저자들에 의해 나중에 수정되었다.