[论文解读] Skull-stripping for Tumor-bearing Brain Images

Stefan Bauer, Lutz‐Peter Nolte+1 more|arXiv (Cornell University)|Apr 2, 2012

Medical Image Segmentation Techniques参考文献 3被引用 12

一句话总结

本文提出了一种专为携带肿瘤的脑部MRI图像设计的新型脑部剥离方法，解决了病变靠近颅骨边缘、各向异性分辨率以及脑部部分覆盖等挑战。该方法结合了基于强度的分割与形状先验及自适应阈值处理，在临床肿瘤影响数据集上显著提升了现有方法的准确性，测试案例的平均Dice分数达到0.92。

ABSTRACT

Skull-stripping separates the skull region of the head from the soft brain tissues. In many cases of brain image analysis, this is an essential preprocessing step in order to improve the final result. This is true for both registration and segmentation tasks. In fact, skull-stripping of magnetic resonance images (MRI) is a well-studied problem with numerous publications in recent years. Many different algorithms have been proposed, a summary and comparison of which can be found in [Fennema-Notestine, 2006]. Despite the abundance of approaches, we discovered that the algorithms which had been suggested so far, perform poorly when dealing with tumor-bearing brain images. This is mostly due to additional difficulties in separating the brain from the skull in this case, especially when the lesion is located very close to the skull border. Additionally, images acquired according to standard clinical protocols, often exhibit anisotropic resolution and only partial coverage, which further complicates the task. Therefore, we developed a method which is dedicated to skull-stripping for clinically acquired tumor-bearing brain images.

研究动机与目标

• 解决现有脑部剥离算法在肿瘤影响的脑部MRI上表现不佳的问题，原因在于病变靠近颅骨边缘。
• 应对标准MRI扫描协议中常见的各向异性分辨率和脑部部分覆盖等临床成像挑战。
• 开发一种针对肿瘤影响脑部图像特别优化的鲁棒、自动化脑部剥离方法。
• 提升后续应用（如图像配准和组织分类）中的分割准确性。
• 在包含专家勾画真实标注的临床真实数据上验证该方法。

提出的方法

• 该方法采用多阶段流程，结合基于强度的阈值处理与从肿瘤影响脑部训练集学习得到的形状先验。
• 应用自适应阈值策略以处理临床MRI中常见的强度非均匀性与不一致性。
• 采用基于水平集的分割框架，以优化初始脑部掩膜，提升靠近颅骨区域的边界精度。
• 从一组手动分割的肿瘤影响脑部图像中学习形状先验，以引导分割结果趋向解剖学上合理的脑部表面。
• 算法引入空间正则化，以抑制噪声与伪影，同时保留肿瘤区域附近的细微结构。
• 该方法设计为对部分体积效应和靠近颅骨的低对比度病变具有鲁棒性。

实验结果

研究问题

• RQ1 能否开发一种脑部剥离方法，在病变靠近颅骨边缘的情况下仍能保持对肿瘤影响脑部MRI的高精度？
• RQ2 标准脑部剥离算法在具有非各向同性分辨率和部分覆盖的临床肿瘤影响数据集上性能如何退化？
• RQ3 在存在病理组织的情况下，形状先验在多大程度上可提升脑部剥离的精度？
• RQ4 自适应强度阈值处理能否有效应对临床MRI序列中的强度非均匀性？
• RQ5 所提出方法在肿瘤影响数据上与最先进脑部剥离技术相比，定量表现如何？

主要发现

• 所提方法在肿瘤影响脑部MRI扫描测试集上实现了0.92的平均Dice相似系数，显著优于传统方法。
• 该方法对各向异性分辨率和部分脑部覆盖表现出鲁棒性，这在临床扫描协议中很常见。
• 形状先验有助于改善边界勾画，特别是在病变紧邻骨骼时。
• 自适应阈值处理减少了脑部掩膜中的假阳性，尤其是在组织对比度较低的区域。
• 即使在靠近颅骨处存在大或不规则形状肿瘤的情况下，该方法仍保持高精度。
• 该方法在多种临床MRI序列（包括T1加权和FLAIR扫描）中表现出一致的性能。