[论文解读] Functional Segmentation through Dynamic Mode Decomposition: Automatic Quantification of Kidney Function in DCE-MRI Images

Santosh Tirunagari, Norman Poh+4 more|arXiv (Cornell University)|May 24, 2019

Advanced MRI Techniques and Applications参考文献 32被引用 4

一句话总结

本文提出了一种新颖的、完全自动化的肾脏DCE-MRI功能分割方法，采用动态模态分解（DMD）替代人工ROI勾画。通过将动态MRI序列分解为主导时空模式，DMD将肾脏区域识别为最一致的强度波动（模式-2），随后进行阈值化和连通域分析；该方法实现了0.87的平均Jaccard相似系数，优于人工专家勾画和边界框方法。

ABSTRACT

Quantification of kidney function in Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI) requires careful segmentation of the renal region of interest (ROI). Traditionally, human experts are required to manually delineate the kidney ROI across multiple images in the dynamic sequence. This approach is costly, time-consuming and labour intensive, and therefore acts to limit patient throughout and acts as one of the factors limiting the wider adoption of DCR-MRI in clinical practice. Therefore, to address this issue, we present the first use of Dynamic Mode Decomposition (DMD) as a basis for automatic segmentation of a dynamic sequence, in this case, kidney ROIs in DCE-MRI. Using DMD coupled combined with thresholding and connected component analysis is first validated on synthetically generated data with known ground-truth, and then applied to ten healthy volunteers' DCE-MRI datasets. We find that the segmentation result obtained from our proposed DMD framework is comparable to that of expert observers and very significantly better than that of an a-priori bounding box segmentation. Our result gives a mean Jaccard coefficient of 0.87, compared to mean scores of 0.85, 0.88 and 0.87 produced from three independent manual annotations. This represents the first use of DMD as a robust automatic data-driven segmentation approach without requiring any human intervention. This is a viable, efficient alternative approach to current manual methods of isolation of kidney function in DCE-MRI.

研究动机与目标

• 为解决DCE-MRI中手动肾脏ROI勾画带来的高人力与时间成本，从而限制其临床应用。
• 开发一种完全自动化的、数据驱动的分割方法，消除ROI选择中的人工干预。
• 评估DMD是否能稳健地从动态对比增强MRI序列中提取功能性的肾脏区域。
• 将基于DMD的方法与专家手动勾画及预设边界框方法的性能进行比较。

提出的方法

• 将动态模态分解（DMD）应用于整个动态MRI序列，以提取代表组织对对比剂注射反应的主导时空模式。
• 第二个DMD模式（模式-2）由于其与灌注相关的强因果关联强度波动，始终对应于肾脏区域。
• 对模式-2重构结果应用简单的阈值化技术，生成二值掩膜。
• 采用连通域分析，选取最大连通区域作为最终的肾脏ROI。
• 该方法首先在具有已知真实标签的合成DCE-MRI数据上进行验证。
• 通过与专家标注结果对比，使用Jaccard相似系数（JSC）和均方误差（MSE）评估性能。

实验结果

研究问题

• RQ1 DMD是否能在无手动干预的情况下有效从DCE-MRI序列中提取功能性的肾脏区域？
• RQ2 基于DMD的分割性能在Jaccard相似系数方面与人工专家勾画相比如何？
• RQ3 DMD框架在肾脏ROI识别方面是否优于简单的预设边界框分割方法？
• RQ4 DMD能否可靠地将灌注相关的强度动态作为动态MRI序列中的低秩表示捕捉？

主要发现

• 所提出的DMD框架在10名健康志愿者的数据集中实现了0.867的平均Jaccard相似系数（JSC），优于专家平均JSC（0.855）。
• 在单个数据集上，DMD方法在数据集4、8和9中的JSC值分别为0.915、0.895和0.883，高于这些情况下的专家表现。
• DMD方法实现了0.87的平均JSC，与专家平均JSC（0.874）相当，且显著高于边界框方法（平均JSC 0.357）。
• 均方误差（MSE）评估显示，基于DMD的肾功能量化结果始终比专家标注和边界框方法更接近真实值。
• DMD框架在全部10个数据集中均成功将肾脏区域识别为模式-2，证明其在捕捉灌注相关动态方面的鲁棒性。
• 该方法实现了高度可重复性，消除了观察者间差异，为手动勾画提供了可靠的替代方案。