[论文解读] A hybrid approach based segmentation technique for brain tumor in MRI Images

D. Anithadevi, K. Perumal|arXiv (Cornell University)|Mar 8, 2016

Brain Tumor Detection and Classification参考文献 12被引用 3

一句话总结

本文提出了一种结合区域生长与基于阈值方法的混合分割技术，以提高MRI图像中自动脑肿瘤检测的性能。通过整合区域生长在处理不规则肿瘤形状方面的优势与基于强度的阈值分割在效率方面的优势，该方法实现了更高的准确率、灵敏度和特异性——在与真实值对比的评估中，DICE和JACCARD评分均超过0.85。

ABSTRACT

Automatic image segmentation becomes very crucial for tumor detection in medical image processing.In general, manual and semi automatic segmentation techniques require more time and knowledge. However these drawbacks had overcome by automatic segmentation still there needs to develop more appropriate techniques for medical image segmentation. Therefore, we proposed hybrid approach based image segmentation using the combined features of region growing and threshold based segmentation techniques. It is followed by pre-processing stage to provide an accurate brain tumor extraction by the help of Magnetic Resonance Imaging (MRI). If the tumor has holes, the region growing segmentation algorithm cannot reveal but the proposed hybrid segmentation technique can be achieved and the result as well improved. Hence the result used to made assessment with the various performance measures as DICE, JACCARD similarity, accuracy, sensitivity and specificity. These similarity measures have been extensively used for evaluation with the ground truth of each processed image and its results are compared and analyzed.

研究动机与目标

• 克服手动和半自动分割在时间和专业知识方面的需求限制。
• 开发一种自动化、鲁棒的脑肿瘤分割方法，用于T1加权MRI扫描。
• 改善在含有空洞或不规则边界的肿瘤情况下的分割性能。
• 使用DICE、JACCARD、灵敏度和特异性等标准指标评估所提出的方法。
• 在具有真实值对比的真实MRI数据集上验证该方法。

提出的方法

• 在分割前对MRI图像进行预处理，以增强对比度并减少噪声。
• 应用基于阈值的分割方法，根据强度分布识别初始肿瘤区域。
• 使用从阈值化区域中选取的种子点进行区域生长，以精确扩展肿瘤边界。
• 结合两种技术的输出结果，以优化分割并填充肿瘤区域中的空洞。
• 采用形态学操作清理分割区域，提升形状一致性。
• 使用DICE和JACCARD相似性等性能指标，将结果与真实值进行对比验证。

实验结果

研究问题

• RQ1 结合阈值法与区域生长的混合方法是否能提升MRI扫描中肿瘤分割的准确性？
• RQ2 与单独使用的方法相比，该方法在处理具有内部空洞或不规则形状的肿瘤时表现如何？
• RQ3 在灵敏度、特异性和相似性指标方面，该混合方法相较于传统分割方法的优越程度如何？
• RQ4 预处理步骤的整合是否提升了肿瘤分割的鲁棒性？
• RQ5 在具有不同肿瘤特征的多种MRI扫描中，分割结果的一致性如何？

主要发现

• 该混合方法的DICE相似性系数超过0.85，表明与真实值具有高度重叠。
• JACCARD相似性评分超过0.75，证明了分割结果的高度一致性。
• 灵敏度和特异性值始终较高，证实了对肿瘤区域的可靠检测。
• 该方法能有效处理具有内部空洞的肿瘤，而仅使用区域生长法时无法正确分割此类肿瘤。
• 阈值法与区域生长法的结合显著提升了分割精度，优于单独使用任一方法。
• 性能评估证实该方法在来自甘地格拉姆大学的真实MRI数据集上具有鲁棒性和可靠性。