[논문 리뷰] maskSLIC: Regional Superpixel Generation with Application to Local Pathology Characterisation in Medical Images

Benjamin Irving|arXiv (Cornell University)|2016. 06. 30.

Medical Image Segmentation Techniques참고 문헌 10인용 수 30

한 줄 요약

maskSLIC는 마스크 내에서 초기화 및 거리 계산 방식을 수정함으로써 의료 영상에서 비정규적인 관심 영역(예: 종양)에 대해 SLIC 초픽셀 클러스터링을 확장하여 종양 내 하위영역 탐지 성능을 크게 향상시킨다. BRATS 2013에서 표준 SLIC보다 유의미하게 뛰어난 성능(유의수준 p=0.001)을 보이며, 3D 및 4D DCE-MRI 데이터에서 안정적이고 생물학적으로 의미 있는 종양 하위영역 분석을 가능하게 한다.

ABSTRACT

Supervoxel methods such as Simple Linear Iterative Clustering (SLIC) are an effective technique for partitioning an image or volume into locally similar regions, and are a common building block for the development of detection, segmentation and analysis methods. We introduce maskSLIC an extension of SLIC to create supervoxels within regions-of-interest, and demonstrate,on examples from 2-dimensions to 4-dimensions, that maskSLIC overcomes issues that affect SLIC within an irregular mask. We highlight the benefits of this method through examples, and show that it is able to better represent underlying tumour subregions and achieves significantly better results than SLIC on the BRATS 2013 brain tumour challenge data (p=0.001) - outperforming SLIC on 18/20 scans. Finally, we show an application of this method for the analysis of functional tumour subregions and demonstrate that it is more effective than voxel clustering.

연구 동기 및 목표

• 종양과 같은 임상적으로 유의미한 비정규 영역에서 표준 SLIC가 의미 있는 수비올스를 생성하는 데에 한계가 있음을 해결한다.
• 보간체 기반 클러스터링을 초픽셀 기반 클러스터링으로 대체하여 종양 하위영역 분석의 공간 정규화 및 노이즈에 대한 강건성을 향상시킨다.
• 대규모 종양 영상 데이터셋에서 스케일 불변성, 안정성, 생물학적으로 해석 가능한 하위영역 식별을 가능하게 한다.
• 특히 혈류역학 영상(DCE-MRI)에서 SLIC 및 보간체 기반 클러스터링에 비해 maskSLIC의 우수성을 2D, 3D, 4D 의료 영상에서 입증한다.
• 기능적 하위영역 특성 분석 및 종단 추적과 같은 후속 작업을 지원하는 일반적인 의료 영상 영역 분석 방법을 제공한다.

제안 방법

• 사용자가 정의한 비정규 마스크 내에서 거리 변환 기반 그리드를 활용해 클러스터 중심의 초기화를 수정함으로써, 클러스터 중심이 관심 영역 내에만 배치되도록 보장한다.
• 공간, 강도, 색채(3D 기준) 성분을 포함한 거리 척도를 수정하되, 검색 공간을 마스크 내로 제한하여 클러스터 중심이 배경 영역으로 번져나가는 것을 방지한다.
• 각 보간체를 가장 가까운 클러스터 중심에 할당하는 영역 확장 기반 접근법을 사용하며, 마스크에 의해 제약 조건이 적용되어 초픽셀이 공간적으로 연결되어 있고 관심 영역 내에만 유지되도록 한다.
• DCE-MRI를 포함한 2D, 3D, 4D 의료 영상에 이 방법을 적용하며, 시간에 따른 혈류역학 매개변수(K^trans, k_ep, T1)를 추출하고 클러스터링에 활용한다.
• maskSLIC와 초픽셀 기반 k-means 클러스터링을 결합하여 표준 보간체 기반 클러스터링과 비교해 생물학적으로 구별 가능한 하위영역을 식별한다.
• 혈류역학 맵의 주성분 분해를 활용해 초픽셀 생성을 유도함으로써 功能적 이질성에 대한 민감도를 향상시킨다.

실험 결과

연구 질문

• RQ1 의료 영상에서 종양과 같은 비정규적이고 볼록하지 않은 영역 내에서 SLIC가 초픽셀 생성에 효과적으로 적용될 수 있는가?
• RQ2 maskSLIC는 병적 영상에서 표준 SLIC나 보간체 기반 클러스터링에 비해 더 공간적으로 정규화되고 생물학적으로 의미 있는 하위영역을 생성하는가?
• RQ3 maskSLIC는 기준 종양 세그멘테이션 작업에서 SLIC에 비해 재현성 및 통계적 유의성 측면에서 어떻게 성능을 발휘하는가?
• RQ4 maskSLIC 기반 초픽셀 클러스터링은 보간체 수준의 클러스터링보다 기능적으로 구별 가능한 종양 하위영역(예: 고/저 혈류)을 더 신뢰성 있게 탐지할 수 있는가?
• RQ5 maskSLIC는 4D DCE-MRI에서 종양 하위영역의 종단 추적에 대해 안정성과 해석 가능성 측면에서 얼마나 향상되는가?

주요 결과

• maskSLIC는 BRATS 2013 뇌 종양 챌린지에서 표준 SLIC를 유의미하게 뛰어넘었으며, p-값 0.001을 기록하고 20개 스캔 중 18개에서 성능이 뛰어났다.
• maskSLIC는 시간 경과에 걸쳐 일관된 공간적으로 연결된 초픽셀을 생성하여 4D DCE-MRI에서 신뢰할 수 있는 3D 렌더링 및 하위영역 종단 추적을 가능하게 하였다.
• maskSLIC로 생성된 초픽셀 기반 클러스터링은 보통 보간체 기반 k-means 클러스터링에서 자주 나타나는 노이즈가 많은 이상 클러스터(R0 등)를 제거하여 더 생물학적으로 타당한 하위영역을 도출하였다.
• maskSLIC는 K^trans와 k_ep 간의 분리(예: R3 영역에서 고 K^trans, 저 k_ep)와 같은 특이한 혈류역학 패턴을 드러내어 보간체 수준 분석으로는 탐지할 수 없는 기능적 이질성을 반영하였다.
• 운동 또는 부분 볼륨 효과에 민감도가 낮아 시간 경과에 따라 일관된 하위영역을 식별할 수 있었으며, 예를 들어 확장되는 괴사 영역을 안정적으로 추적할 수 있었다.
• 마스크 인식 초기화를 위한 거리 변환 사용은 클러스터 중심 배치 정확도를 향상시켰지만, 표준 SLIC 대비 계산 시간이 증가하는 단점이 있었다.