[논문 리뷰] Segmentation of Skeletal Muscle in Thigh Dixon MRI Based on Texture Analysis

Rafael Rodrigues, António Pinheiro|arXiv (Cornell University)|2019. 04. 09.

Radiomics and Machine Learning in Medical Imaging참고 문헌 15인용 수 6

한 줄 요약

이 논문은 다리 딕슨 MRI에서 다각도 텍스처 특징—방향성 기울기 히스토GRAM(HOG), 웨이블릿 계수, 원본 및 LoG-필터링된 영상에서의 통계적 측정값—의 AdaBoost 분류를 사용하여 자동으로 뼈격근을 분할하는 방법을 제안한다. 이 방법은 평균 딱스 점수 0.7623을 달성하여, 텍스처 분석이 애틀라스 기반 레이블링을 통한 해부학적 정확도 향상과 함께 강력하고 일반화된 근육 분할을 가능하게 한다.

ABSTRACT

Segmentation of skeletal muscles in Magnetic Resonance Images (MRI) is essential for the study of muscle physiology and diagnosis of muscular pathologies. However, manual segmentation of large MRI volumes is a time-consuming task. The state-of-the-art on algorithms for muscle segmentation in MRI is still not very extensive and is somewhat database-dependent. In this paper, an automated segmentation method based on AdaBoost classification of local texture features is presented. The texture descriptor consists of the Histogram of Oriented Gradients (HOG), Wavelet-based features, and a set of statistical measures computed from both the original and the Laplacian of Gaussian filtering of the grayscale MRI. The classifier performance suggests that texture analysis may be a helpful tool for designing a generalized and automated MRI muscle segmentation framework. Furthermore, an atlas-based approach to individual muscle segmentation is also described in this paper. The atlas is obtained by overlaying the muscle segmentation ground truth, provided by a radiologist, after image alignment using an appropriate affine transformation. Then, it is used to define the muscle labels upon the AdaBoost binary segmentation. The developed atlas method provides reasonable results when an accurate muscle tissue segmentation was obtained.

연구 동기 및 목표

• 3T 딕슨 MRI에서 인간 다리의 뼈격근 분할을 위한 일반화된 자동화 프레임워크를 개발하기 위해.
• MRI에서 근육을 다른 연조직과 구별하는 데에 텍스처 기반 특징의 효과성을 조사하기 위해.
• 수동 방법에 비해 분할 정확도를 향상시키고 관찰자 간 변동성을 감소시키기 위해.
• AdaBoost 분류기 출력의 해부학적 정확도를 향상시키기 위해 애틀라스 기반 레이블링 전략을 통합하기 위해.
• 이미지 텍스처 품질이 분할 성능과 모델의 강건성에 미치는 영향을 평가하기 위해.

제안 방법

• HOG, 웨이블릿 분해(3단계, 54-비트 기술자), 원본 및 라플라시안 오브 가우시안(LoG)-필터링된 영상에서의 통계적 측정값을 사용하여 16×16 겹치지 않는 영상 패치에서 텍스처 특징를 추출한다.
• 이러한 다중 척도 텍스처 기술자를 사용하여 근육과 비근육 조직을 구분하는 이진 AdaBoost 분류기를 훈련시킨다.
• 전문가의 수동 분할을 애핀 변환으로 정렬하여 애틀라스를 구축하고, AdaBoost 출력에 해부학적 레이블을 할당한다.
• 시험 영상들을 애틀라스 공간에 정렬하기 위해 애핀 변환을 사용한 영상 정렬을 수행한 후, 역변환을 통해 원본 MRI 공간으로 레이블을 복원한다.
• 표준 평가 지표인 재현율, 정밀도, 딱스 계수를 사용하여 10겹 교차검증을 수행한다.
• 지역적 텍스처 분석과 전역적 해부학적 사전 지식을 조합하여 분할의 특이도를 향상시키고 임의의 양성 결과를 감소시킨다.

실험 결과

연구 질문

• RQ1 비단일상태 딕슨 MRI에서 텍스처 기반 특징가 근육을 다른 연조직과 효과적으로 구분할 수 있는가?
• RQ2 애틀라스 통합이 AdaBoost 기반 근육 분할의 해부학적 정확도에 어떤 영향을 미치는가?
• RQ3 이미지 텍스처 품질이 분할 모델의 재현율과 정밀도에 어떤 영향을 미치는가?
• RQ4 이러한 방법이 근육 기하학적 형태와 조직 분포가 다양할 수 있는 다양한 MRI 볼륨에 얼마나 일반화되는가?
• RQ5 지역적 텍스처 기술자와 전역적 애틀라스 사전 지식의 조합이 복잡한 해부학적 영역에서 강도 기반 또는 순수 애틀라스 기반 분할보다 우월한가?

주요 결과

• 제안된 AdaBoost 기반 분할 방법은 10개의 MRI 볼륨에 걸쳐 평균 딱스 오버랩 계수 0.7623을 달성하여 지표와의 강한 일치를 보였다.
• 평균 재현율은 0.8150, 평균 정밀도는 0.7454로, 중간 정도의 임의의 양성 비율에도 불구하고 진짜 근육 영역을 효과적으로 탐지함을 보여주었다.
• 특히 관절 근처에서 근육 조직이 산산이 흩어지거나 근육 내 지방 축적이 높은 영역에서도 강건성을 보였다.
• AdaBoost 출력에서 발생하는 잘못된 양성 결과는 애틀라스 변환을 왜곡시켜, 재현율이 높더라도 근육 영역이 잘못 레이블링될 수 있다.
• 횡격근과 대퇴직근과 같이 횡단면 면적이 작은 근육은 진짜 양성 탐지율이 떨어질 경우 자주 누락되었다.
• 이 연구는 이미지 텍스처 품질과 분할 성능 사이에 잠재적 상관관계가 존재할 수 있음을 시사하며, 텍스처 품질 측정 지표에 대한 향후 연구가 필요하다.