[論文レビュー] The Multiscale Bowler-Hat Transform for Vessel Enhancement in 3D Biomedical Images

Çiğdem Sazak, Carl J. Nelson+1 more|arXiv (Cornell University)|Feb 14, 2018

Medical Image Segmentation Techniques参考文献 1被引用数 4

ひとこと要約

本稿では、球状および線形構造要素を組み合わせた数学的モーフォロジーに基づく手法、3Dボーラーハット変換を提案する。この手法は、生体医療画像における3D管腔様構造の強調に用いられ、接合部の保持と異なる血管径における均一な強調を実現し、最先端手法を上回る性能を発揮する。合成データではAUC 0.965を達成し、実データにおけるノイズ耐性も優れている。

ABSTRACT

Enhancement and detection of 3D vessel-like structures has long been an open problem as most existing image processing methods fail in many aspects, including a lack of uniform enhancement between vessels of different radii and a lack of enhancement at the junctions. Here, we propose a method based on mathematical morphology to enhance 3D vessel-like structures in biomedical images. The proposed method, 3D bowler-hat transform, combines sphere and line structuring elements to enhance vessel-like structures. The proposed method is validated on synthetic and real data and compared with state-of-the-art methods. Our results show that the proposed method achieves a high-quality vessel-like structures enhancement in both synthetic and real biomedical images, and is able to cope with variations in vessels thickness throughout vascular networks while remaining robust at junctions.

研究の動機と目的

• 既存の3D血管強調手法の限界、特に接合部での信号損失と異なる血管径における非均一な強調を解決すること。
• 事前のチューニングや画像前処理を必要としない、モーフォロジーに基づく手法を用いて血管様構造を強調すること。
• ノイズ耐性を高めるとともに、特に複雑な接合部における血管ネットワークの接続性を維持すること。
• 合成および実際の3D生体医療画像の両方で手法を検証すること。特に高ノイズレベルの挑戦的なデータセットを含む。
• 研究の広範な応用を促進するため、ソースコードおよびテスト関数を含むオープンソースでの提供を実施すること。

提案手法

• 本手法は、球状および線形構造要素を用いたマルチスケールアプローチを採用し、3D画像内の血管様構造を検出する。
• 具体的には、球状および線形の構造要素を用いたトップハット変換というモーフォロジー演算を適用し、管状構造を強調する。
• 球状および線形の構造要素の組み合わせにより、血管中心部と周囲の体積両方を検出可能となり、接合部検出性能が向上する。
• 複数のスケールにわたって適用することで、さまざまな径の血管を捉え、均一な強調を実現する。
• 数学的モーフォロジーの性質を活用することで、血管端部および接合部でのアーチファクトを最小限に抑える。
• パラメータフリーで耐障害性の高い設計となっており、事前の画像前処理やチューニングを必要としない。

実験結果

リサーチクエスチョン

• RQ1 モーフォロジーに基づく手法は、異なる径の3D血管様構造を効果的に強調できるか。また、接合部の完全性を保持できるか。
• RQ2 本手法の3Dボーラーハット変換は、ヘッセアンおよび位相整合性に基づく手法と比較して、接合部検出性能およびノイズ耐性において優れているか。
• RQ3 本手法は、さまざまな血管厚さおよび複雑な血管ネットワークにおいて一貫した強調品質を維持できるか。
• RQ4 最先端技術と比較して、本手法は偽の血管効果をどれほど低減し、接合部での信号損失をどれほど軽減できるか。
• RQ5 本手法は、事前のチューニングなしに、高ノイズレベルの実際の生体医療画像に対しても効果的に適用可能か。

主な発見

• 本手法は、合成3D血管ネットワークにおいてAUC 0.965を達成し、すべての最先端手法を上回った。
• DIADEMチャレンジデータセットでは、ガウスノイズ（σ = 60）およびソルトアンドペッパーノイズ（ρ = 60）の高ノイズ条件下でも、AUC値が0.951～0.959を維持した。
• 本手法は優れた接合部保持性能を示し、他の手法が失敗する交差点においても明確な強調がなされた。
• 植物ミクロチューブネットワーク、ケラチンネットワーク、および神経構造の実際の3D画像において、ネットワークの接続性を維持する観察および定量的性能が最も優れていた。
• 複雑度が増す9つの合成血管ネットワークにおいても、AUC値は一貫して高く（平均 0.965 ± 0.03）、ネットワーク密度の変化に対しても耐性があることが示された。
• 受信者操作特性曲線（ROC）解析により、本手法はバーティカルネス、ニューリテニティス、PCTベース、ボリュームレシオ手法を含め、感度および特異度の両面で優れた性能を発揮した。