[论文解读] 3D Contouring for Breast Tumor in Sonography

Dar‐Ren Chen, Yu‐Chih Lin+1 more|arXiv (Cornell University)|Jan 27, 2019

AI in cancer detection参考文献 15被引用 8

一句话总结

本文提出了一种基于水平集方法（LSM）的自动化乳腺肿瘤三维轮廓提取方法，用于超声成像，旨在提高诊断准确性并减少人工工作量。在20例病例（10例良性，10例恶性）中评估，该方法的轮廓提取结果与人工分割高度一致，在保持对噪声和纹理复杂的超声图像鲁棒性的同时显著减少了处理时间。

ABSTRACT

Malignant and benign breast tumors present differently in their shape and size on sonography. Morphological information provided by tumor contours are important in clinical diagnosis. However, ultrasound images contain noises and tissue texture; clinical diagnosis thus highly depends on the experience of physicians. The manual way to sketch three-dimensional (3D) contours of breast tumor is a time-consuming and complicate task. If automatic contouring could provide a precise breast tumor contour that might assist physicians in making an accurate diagnosis. This study presents an efficient method for automatically contouring breast tumors in 3D sonography. The proposed method utilizes an efficient segmentation procedure, i.e. level-set method (LSM), to automatic detect contours of breast tumors. This study evaluates 20 cases comprising ten benign and ten malignant tumors. The results of computer simulation reveal that the proposed 3D segmentation method provides robust contouring for breast tumor on ultrasound images. This approach consistently obtains contours similar to those obtained by manual contouring of the breast tumor and can save much of the time required to sketch precise contours.

研究动机与目标

• 解决乳腺超声检查中三维肿瘤轮廓人工勾画耗时且主观性高的问题。
• 通过自动化形态学肿瘤边界检测，降低对医生经验的依赖。
• 开发一种能够处理超声噪声和组织纹理的鲁棒3D分割方法。
• 在临床病例中评估自动化轮廓提取与人工分割的性能对比。
• 为临床和研究环境提供一种时间高效、准确的肿瘤轮廓提取替代方案。

提出的方法

• 该方法采用水平集方法（LSM）实现超声图像中肿瘤的自动3D分割。
• LSM通过最小化包含边缘信息和区域强度的能量泛函，演化初始轮廓。
• 该算法专为处理超声图像中常见的斑点噪声和异质性组织纹理而设计。
• 分割过程通过基于区域的种子点初始化，引导轮廓演化。
• 该方法在多个轴向切片上计算3D肿瘤轮廓，以重建体积化肿瘤边界。
• 通过将自动化轮廓与放射科医生手动绘制的轮廓进行对比，验证性能。

实验结果

研究问题

• RQ1 自动化3D分割方法能否在超声图像中生成与人工轮廓相当的肿瘤轮廓？
• RQ2 在存在超声噪声和组织纹理的情况下，所提出方法的鲁棒性如何？
• RQ3 与人工轮廓相比，该方法在多大程度上减少了时间和工作量？
• RQ4 该方法在良性与恶性肿瘤类型中是否保持一致性？
• RQ5 自动化轮廓是否能够支持可靠的形态学分析以用于临床诊断？

主要发现

• 所提出的3D分割方法生成的轮廓结果与人工分割结果保持高度一致。
• 在20例病例的评估中，该方法在良性与恶性肿瘤中均表现出稳健性能。
• 与人工轮廓相比，显著节省了时间，且未牺牲轮廓准确性。
• 水平集方法有效处理了超声图像中的斑点噪声和组织纹理。
• 在3D重建中，多个轴向切片上的自动化轮廓表现出稳定性和可重复性。
• 该方法在临床工作流程中具有强大潜力，可支持诊断决策制定。