[论文解读] A Novel Method for Automatic Segmentation of Brain Tumors in MRI Images

Saeid Fazli, Parisa Nadirkhanlou|arXiv (Cornell University)|Dec 29, 2013

Medical Image Segmentation Techniques参考文献 18被引用 13

一句话总结

本文提出了一种用于T2加权MRI图像中脑肿瘤分割的无监督自动方法，通过各向异性扩散、头骨剥离和快速边界框（FBB）算法进行预处理，以定位肿瘤区域。该方法采用单类SVM对选定的中心肿瘤点进行分类，在10名患者共100例MRI扫描数据集中实现了高精度和高可靠性，显著辅助放射科医生进行肿瘤大小和位置的估计。

ABSTRACT

The brain tumor segmentation on MRI images is a very difficult and important task which is used in surgical and medical planning and assessments. If experts do the segmentation manually with their own medical knowledge, it will be time-consuming. Therefore, researchers propose methods and systems which can do the segmentation automatically and without any interference. In this article, an unsupervised automatic method for brain tumor segmentation on MRI images is presented. In this method, at first in the pre-processing level, the extra parts which are outside the skull and don't have any helpful information are removed and then anisotropic diffusion filter with 8-connected neighborhood is applied to the MRI images to remove noise. By applying the fast bounding box(FBB) algorithm, the tumor area is displayed on the MRI image with a bounding box and the central part is selected as sample points for training of a One Class SVM classifier. A database is also provided by the Zanjan MRI Center. The MRI images are related to 10 patients who have brain tumor. 100 T2-weighted MRI images are used in this study. Experimental results show the high precision and dependability of the proposed algorithm. The results are also highly helpful for specialists and radiologists to easily estimate the size and position of a tumor.

研究动机与目标

• 为解决MRI中手动脑肿瘤分割耗时的问题，开发一种自动化、无需专家干预的方法。
• 提高在存在噪声和信号强度不均匀性的复杂MRI扫描中的分割精度和可靠性。
• 为放射科医生和神经外科医生提供精确、自动的肿瘤大小和位置估计支持。
• 为研究用途提供一个公开的数据库，包含来自10名患者的100例T2加权MRI扫描图像。

提出的方法

• 预处理包括头骨剥离以去除非脑组织结构，并使用8邻域连接的各向异性扩散进行降噪。
• 快速边界框（FBB）算法用于识别肿瘤区域，并选择中心区域作为分类器的训练样本。
• 仅使用肿瘤区域样本训练单类支持向量机（One-Class SVM），以学习肿瘤的内在特征。
• 该方法以无监督方式运行，无需人工标注或预先分割。
• 该方法利用从扎詹MRI中心收集的自定义100例T2加权MRI图像数据库。

实验结果

研究问题

• RQ1 无监督方法是否能在无需人工干预的情况下实现高精度的脑肿瘤分割？
• RQ2 FBB与单类SVM的结合在噪声MRI扫描中对肿瘤区域的定位和分类效果如何？
• RQ3 所提出的方法在临床应用中对肿瘤大小和位置估计的精度与效率提升程度如何？
• RQ4 该方法在不同MRI信号强度模式和肿瘤形态下的鲁棒性如何？

主要发现

• 所提出的方法在10名患者共100例T2加权MRI图像中实现了高精度和高可靠的脑肿瘤分割。
• 利用FBB进行肿瘤区域定位，有效获取了中心肿瘤点用于单类SVM的训练。
• 各向异性扩散滤波在预处理阶段显著降低了噪声，同时保留了肿瘤边界。
• 该方法通过实现肿瘤大小和位置的精确自动估计，展现出强大的临床应用潜力。