[论文解读] Context Driven Label Fusion for segmentation of Subcutaneous and Visceral Fat in CT Volumes

Sarfaraz Hussein, Aileen Green+4 more|arXiv (Cornell University)|Dec 15, 2015

Advanced Neural Network Applications参考文献 4被引用 4

一句话总结

本文提出了一种完全无监督、上下文驱动的标签融合方法，用于腹部CT图像中皮下脂肪组织（SAT）和内脏脂肪组织（VAT）的自动分割。该方法结合了基于梯度的边界估计、基于MAD和LoOS的几何与外观异常值去除，以及条件随机场（CRF）实现上下文感知的标签融合，在151例低分辨率CT扫描中实现了SOTA的DSC分数，SAT为94.04%，VAT为91.57%。

ABSTRACT

Quantification of adipose tissue (fat) from computed tomography (CT) scans is conducted mostly through manual or semi-automated image segmentation algorithms with limited efficacy. In this work, we propose a completely unsupervised and automatic method to identify adipose tissue, and then separate Subcutaneous Adipose Tissue (SAT) from Visceral Adipose Tissue (VAT) at the abdominal region. We offer a three-phase pipeline consisting of (1) Initial boundary estimation using gradient points, (2) boundary refinement using Geometric Median Absolute Deviation and Appearance based Local Outlier Scores (3) Context driven label fusion using Conditional Random Fields (CRF) to obtain the final boundary between SAT and VAT. We evaluate the proposed method on 151 abdominal CT scans and obtain state-of-the-art 94% and 91% dice similarity scores for SAT and VAT segmentation, as well as significant reduction in fat quantification error measure.

研究动机与目标

• 开发一种无需人工干预的自动无监督方法，用于腹部CT图像中皮下脂肪组织（SAT）和内脏脂肪组织（VAT）的分割。
• 通过结合几何与外观特征，解决SAT和VAT因Hounsfield单位密度相似且解剖上相连而难以区分的挑战。
• 与现有方法相比，提高分割精度并减少脂肪定量误差，尤其在不同体质指数（BMI）人群中表现更优。
• 构建一种无需患者特异性调参或训练数据的鲁棒、模型无关框架。

提出的方法

• 通过从皮肤边界指向腹部中心的直线方向上的稀疏梯度点，进行初始边界估计。
• 利用几何中位数绝对偏差（MAD）和基于外观的局部异常值评分（LoOS）对边界进行细化，以消除假阳性结果。
• 采用上下文驱动的标签融合框架，利用条件随机场（CRF）整合形状、外观和几何特征，建模相邻体素之间的成对关系。
• CRF中的成对势函数通过连接后的外观与几何特征向量之间的L1距离定义，并对标签不同的情况施加惩罚。
• 通过在细化后的内脏边界周围拟合凸包，将内部区域标记为VAT，外部区域标记为SAT，从而获得最终分割结果。
• 该方法完全无监督，无需训练或患者特异性参数调优。

实验结果

研究问题

• RQ1 完全无监督的方法是否能在无需人工干预的情况下，实现对腹部CT扫描中SAT和VAT的精确且鲁棒的分割？
• RQ2 在不同BMI的患者中，几何与外观特征的结合在边界精炼方面是否具有高效性，尤其是对肥胖患者？
• RQ3 与各独立步骤相比，通过CRF实现的上下文感知标签融合在多大程度上提升了分割精度？
• RQ4 所提出的方法是否能在无需重新调参的情况下，泛化至包括肥胖和低体重个体在内的多样化患者群体？

主要发现

• 所提方法在皮下脂肪组织（SAT）上实现了94.04%的Dice相似系数（DSC），在内脏脂肪组织（VAT）上实现了91.57%的DSC，优于所有基线方法。
• SAT和VAT定量的平均绝对误差（MAE）分别降低至7.1258 ml和7.1281 ml，相比次优方法降低了36%或以上。
• 该方法在应对个体间解剖变异方面表现出显著鲁棒性，尤其在肥胖患者中，此前的方法常因边界渗漏而失败。
• 未经优化的MATLAB实现版本在标准硬件上每切片耗时约2.59秒，具备跨切片并行化的潜力。
• 该框架与专家手动分割的一致性超过99%，观察者间无统计学显著差异（p > 0.5）