[论文解读] A Flexible Semi-Automatic Approach for Glioblastoma multiforme Segmentation

Jan Egger, M. Bauer+5 more|arXiv (Cornell University)|Jan 1, 2010

Medical Image Segmentation Techniques参考文献 13被引用 21

一句话总结

本文提出了一种使用新型球形三维图模型的灵活半自动胶质母细胞瘤（GBM）分割方法，通过多项式时间s-t割计算最小代价闭合集来建模肿瘤边界。该方法通过允许用户添加任意种子点以增强灰度值和几何约束，显著提升了分割精度，在12组MRI数据上实现了83.91%的平均Dice相似系数（DSC），显著优于单点击方法。

ABSTRACT

Gliomas are the most common primary brain tumors, evolving from the cerebral supportive cells. For clinical follow-up, the evaluation of the preoperative tumor volume is essential. Volumetric assessment of tumor volume with manual segmentation of its outlines is a time-consuming process that can be overcome with the help of segmentation methods. In this paper, a flexible semi-automatic approach for grade IV glioma segmentation is presented. The approach uses a novel segmentation scheme for spherical objects that creates a directed 3D graph. Thereafter, the minimal cost closed set on the graph is computed via a polynomial time s-t cut, creating an optimal segmentation of the tumor. The user can improve the results by specifying an arbitrary number of additional seed points to support the algorithm with grey value information and geometrical constraints. The presented method is tested on 12 magnetic resonance imaging datasets. The ground truth of the tumor boundaries are manually extracted by neurosurgeons. The segmented gliomas are compared with a one click method, and the semi-automatic approach yields an average Dice Similarity Coefficient (DSC) of 77.72% and 83.91%, respectively.

研究动机与目标

• 为解决临床随访中胶质母细胞瘤（GBM）肿瘤体积手动分割耗时过长的问题。
• 开发一种灵活的半自动分割方法，以在准确度上超越完全自动的一键式方法。
• 通过整合用户提供的种子点，引入灰度值和几何约束以增强分割效果。
• 使用Dice相似系数（DSC）作为金标准，与专家手动分割结果进行对比评估。

提出的方法

• 使用从用户定义的肿瘤内部中心点投射的射线构建有向三维图，形成球形多面体。
• 沿每条射线采样图节点，以表示潜在的分割表面。
• 使用多项式时间s-t割算法计算图上的最小代价闭合集，以确定最优肿瘤边界。
• 允许用户添加任意种子点，通过提供额外的强度和空间约束来优化分割结果。
• 采用基于图的框架，其中节点代价由图像灰度值（灰度值）决定，边代价用于强制实现空间连续性。
• 使用C++在MeVisLab医学图像处理平台中实现该方法，以实现高效的三维MRI处理。

实验结果

研究问题

• RQ1 基于球形三维图的分割方法是否能相比一键式方法更准确地实现GBM肿瘤体积分割？
• RQ2 在复杂且不规则形状的胶质母细胞瘤中，用户定义的种子点如何影响分割精度？
• RQ3 半自动方法在多大程度上能够减少手动分割时间，同时保持与专家手动勾画结果的高度相似性？
• RQ4 该方法在具有不同肿瘤形态和强度特征的多样化GBM病例中是否具有良好的泛化能力？

主要发现

• 当使用15至75个额外种子点时，该半自动方法实现了83.91%的平均Dice相似系数（DSC），显著优于一键式方法。
• 仅使用一键式方法时，平均DSC为77.72%，表明通过用户交互可显著提升性能。
• 该算法在标准硬件上完成分割的时间少于30秒，展现出良好的计算效率。
• 视觉结果证实，额外的种子点能够纠正复杂或强化不明显的区域中漏掉的肿瘤区域。
• 该方法在12组具有不同特征的GBM MRI数据集中表现出鲁棒性，肿瘤体积范围为2.38 cm³至86.91 cm³。
• 该方法有效整合了用户提供的约束条件，确保最终分割表面尊重关键解剖结构和基于强度的特征。