[论文解读] Automatic 3D Liver Segmentation Using Sparse Representation of Global and Local Image Information via Level Set Formulation

Saif Dawood Salman Al-Shaikhli, Michael Ying Yang+1 more|arXiv (Cornell University)|Aug 6, 2015

Medical Image Segmentation Techniques参考文献 10被引用 30

一句话总结

本文提出了一种新颖的基于水平集公式的3D肝脏分割框架，通过稀疏表示同时整合全局（基于区域）和局部（体素级）图像特征。通过从MICCAI-SLiver07数据集学习两个字典（一个用于全局图像特征，一个用于局部形状先验）并采用K-SVD方法，该方法实现了最先进性能，在MICCAI-SLiver07测试集上达到79.6%的分割准确率，优于此前35种方法。

ABSTRACT

In this paper, a novel framework for automated liver segmentation via a level set formulation is presented. A sparse representation of both global (region-based) and local (voxel-wise) image information is embedded in a level set formulation to innovate a new cost function. Two dictionaries are build: A region-based feature dictionary and a voxel-wise dictionary. These dictionaries are learned, using the K-SVD method, from a public database of liver segmentation challenge (MICCAI-SLiver07). The learned dictionaries provide prior knowledge to the level set formulation. For the quantitative evaluation, the proposed method is evaluated using the testing data of MICCAI-SLiver07 database. The results are evaluated using different metric scores computed by the challenge organizers. The experimental results demonstrate the superiority of the proposed framework by achieving the highest segmentation accuracy (79.6\%) in comparison to the state-of-the-art methods.

研究动机与目标

• 解决CT扫描中肝脏分割的挑战，包括器官边界重叠和高解剖变异性。
• 通过将基于区域的全局图像信息与基于体素的局部图像信息整合到水平集框架中，提升分割准确率。
• 开发一种完全自动化的3D分割方法，优于现有最先进方法。
• 利用字典学习与稀疏编码建模复杂的非线性图像分布，以更好地区分肝脏与周围组织。
• 在标准化的MICCAI-SLiver07基准上进行严格、由挑战组织方安排的评估指标验证。

提出的方法

• 该方法采用一种新颖的能量泛函水平集公式，结合数据项与正则化项。
• 通过K-SVD从全局图像特征（如纹理、Hounsfield单位（HU）和体积特性）中学习基于区域的特征字典。
• 通过K-SVD学习体素级字典，以从训练数据中编码局部形状先验，表示局部图像信息。
• 水平集能量函数中的数据项结合了来自两个字典的稀疏表示，以引导分割过程。
• 正则化项被修改为包含从学习到的体素级字典中提取的形状先验信息。
• 该框架在MICCAI-SLiver07公开数据集上进行训练与评估，使用挑战组织方提供的标准指标。

实验结果

研究问题

• RQ1 将全局与局部稀疏表示相结合，是否能提升CT图像中3D肝脏分割的准确率？
• RQ2 在器官边界重叠的情况下，结合基于区域与体素级的字典学习，是否能增强分割性能？
• RQ3 所提出的具有双字典稀疏表示的水平集公式是否在MICCAI-SLiver07基准上优于现有最先进方法？
• RQ4 使用K-SVD学习的字典在多大程度上能捕捉肝脏强度与形状分布中的非线性可变性？
• RQ5 一种完全自动化的3D分割方法是否能在不依赖大规模训练数据集的情况下实现更优结果？

主要发现

• 所提出方法在MICCAI-SLiver07挑战提交的35种自动方法中实现了最高的79.6%分割准确率。
• 该方法通过结合全局与局部稀疏表示，优于最佳的先前方法（准确率为77.3%）。
• 平均对称表面距离（AvgD）为0.95 mm，表明分割在表面层面具有高精度。
• 均方根对称表面距离（RMSD）为1.58 mm，反映出边界对齐的高度一致性。
• 该方法实现了6.44%的VOE（体积重叠误差），表明与真实分割结果具有高重叠度。
• 结果经MICCAI-SLiver07挑战官方组织方验证，并在分割准确率上排名第一。