[논문 리뷰] Multi-Atlas Segmentation of Biomedical Images: A Survey

Juan Eugenio Iglesias, Mert R. Sabuncu|arXiv (Cornell University)|2014. 12. 10.

Medical Image Segmentation Techniques참고 문헌 173인용 수 12

한 줄 요약

이 종합 검토는 생물의학 영상에서 다중 악터 세분화(MAS)의 종합적인 개요를 제공하며, 단일 악터 정렬에서 고도로 발전한 레이블 융합 기법으로의 진화를 상세히 기술한다. MAS는 여러 사전 레이블이 부여된 악터를 활용하여 해부학적 변동성을 더 잘 포착함으로써 뛰어난 정확도를 보이며, 계산 비용과 기계학습, 확률 모델링, 종단적 분석 분야의 향후 방향성 문제를 다룬다.

ABSTRACT

Multi-atlas segmentation (MAS), first introduced and popularized by the pioneering work of Rohlfing, Brandt, Menzel and Maurer Jr (2004), Klein, Mensh, Ghosh, Tourville and Hirsch (2005), and Heckemann, Hajnal, Aljabar, Rueckert and Hammers (2006), is becoming one of the most widely-used and successful image segmentation techniques in biomedical applications. By manipulating and utilizing the entire dataset of "atlases" (training images that have been previously labeled, e.g., manually by an expert), rather than some model-based average representation, MAS has the flexibility to better capture anatomical variation, thus offering superior segmentation accuracy. This benefit, however, typically comes at a high computational cost. Recent advancements in computer hardware and image processing software have been instrumental in addressing this challenge and facilitated the wide adoption of MAS. Today, MAS has come a long way and the approach includes a wide array of sophisticated algorithms that employ ideas from machine learning, probabilistic modeling, optimization, and computer vision, among other fields. This paper presents a survey of published MAS algorithms and studies that have applied these methods to various biomedical problems. In writing this survey, we have three distinct aims. Our primary goal is to document how MAS was originally conceived, later evolved, and now relates to alternative methods. Second, this paper is intended to be a detailed reference of past research activity in MAS, which now spans over a decade (2003 - 2014) and entails novel methodological developments and application-specific solutions. Finally, our goal is to also present a perspective on the future of MAS, which, we believe, will be one of the dominant approaches in biomedical image segmentation.

연구 동기 및 목표

• 초기 정렬 기반 방법에서 현대의 레이블 융합 기법으로 이르기까지 다중 악터 세분화(MAS)의 역사를 기록하고 개념적 진화를 설명하는 것.
• 2003~2014년 동안의 MAS 연구 10여 년 이상에 걸친 상세한 참고 자료 제공, 방법론적 혁신과 응용 분야 특화 해결책 포함.
• 기계학습, 확률 모델링, 종단적 분석과의 통합을 강조하여 MAS가 생물의학 영상 세분화 분야에서 주요 접근법으로 자리매김하는 데 있어 전망을 제시하는 것.
• 계산 비용, 영상 프로토콜의 변동성, 표준화된 평가 지표의 필요성 등의 주요 과제를 규명하는 것.
• 대규모 다중 기관 임상 연구에 적합한 강건하고 다중 모odal, 불확실성 인식 가능한 MAS 방법의 필요성을 주장하는 것.

제안 방법

• 레이블 융합 전략, 정렬 기법, 확률 모델링에 중점을 두고, 발표된 MAS 알고리즘과 응용 사례에 대한 체계적 검토 및 통합.
• 정렬 기반, 확률적 악터 기반, 현대적 레이블 융합 프레임워크로 MAS 방법을 분류하며, 주로 다수결 투표, 가중 투표, 학습 기반 융합 등의 융합 기법에 초점.
• 기계학습 및 컴퓨터 비전 분야의 발전, 예를 들어 비지도 특징 학습과 딥 아키텍처를 통합하여 세분화의 강건성과 성능 향상.
• 불확실성 모델링, 누락되거나 이질적인 레이블 처리, 해부학 및 영상 물리학 분야의 영역 지식 통합을 위한 확률적 추론의 활용.
• 다양한 영상 모odal, 강도 분포, 정렬 오류 상황 등 다양한 조건에서 융합 기법의 평가.
• 다중 영상(예: 종단적 스캔)의 동시 세분화 탐색을 통해 미세한 해부학적 변화 탐지 정확도 향상.

실험 결과

연구 질문

• RQ1 다중 악터 세분화는 초기 단일 악터 정렬에서 현대의 레이블 융합 기법으로 어떻게 진화해 왔는가?
• RQ2 다양한 영상 조건에서 세분화 정확도와 강건성을 향상시키는 데 기여하는 레이블 융합의 핵심 방법론적 발전은 무엇인가?
• RQ3 기계학습과 확률 모델링은 임상 적용 분야에서 MAS의 신뢰성 향상과 불확실성 정량화를 어떻게 향상시킬 수 있는가?
• RQ4 비뇌 영상(예: Abdominal MRI)에서 현재 MAS 방법의 한계는 무엇이며, 이를 어떻게 보완할 수 있는가?
• RQ5 다중 영상의 동시 세분화는 종단적 생물의학 영상 분석에서 정확도 향상에 어떤 역할을 할 수 있는가?

주요 결과

• MAS는 여러 사전 레이블이 부여된 악터를 활용함으로써 더 큰 해부학적 변동성을 포착함으로써 단일 악터 방법보다 뚜렷한 우수성을 보인다.
• 특히 학습 기반 및 확률 모델링 기반 융합 기법은 단순 다수결 투표보다 뛰어난 세분화 정확도를 보인다.
• 확률 모델링은 불확실성 정량화를 가능하게 하여 임상 적용 분야에서 부피 측정의 신뢰도 향상에 기여할 수 있다.
• 최근의 딥 러닝 및 비지도 특징 학습의 발전은 다양한 영상 프로토콜에서 MAS의 성능과 강건성을 향상시키는 데 강력한 잠재력을 보이고 있다.
• 영상 변동성(예: 다른 스캐너, 스캔 시퀀스)에 대한 강건성은 여전히 도전 과제이지만, 향상된 융합 알고리즘과 정렬 기법이 이 격차를 좁히고 있다.
• 특히 종단적 연구에서 새로운 다중 영상의 동시 세분화는 독립적 세분화보다 더 정확한 결과를 도출할 수 있으며, 질병 진행 추적을 위한 향후 임상적 활용을 뒷받침한다.