[论文解读] A Time Series Graph Cut Image Segmentation Scheme for Liver Tumors

Laramie Paxton, Yufeng Cao+4 more|arXiv (Cornell University)|Sep 13, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 29被引用 3

一句话总结

该论文提出了一种半自动的图割方法，用于在2D CT扫描中进行肝脏肿瘤分割，利用时序强度特征和归一化能量项以消除λ优化。该方法在无需训练数据的情况下，实现了0.77的平均Dice相似系数和每切片1.25分钟的处理时间。

ABSTRACT

Tumor detection in biomedical imaging is a time-consuming process for medical professionals and is not without errors. Thus in recent decades, researchers have developed algorithmic techniques for image processing using a wide variety of mathematical methods, such as statistical modeling, variational techniques, and machine learning. In this paper, we propose a semi-automatic method for liver segmentation of 2D CT scans into three labels denoting healthy, vessel, or tumor tissue based on graph cuts. First, we create a feature vector for each pixel in a novel way that consists of the 59 intensity values in the time series data and propose a simplified perimeter cost term in the energy functional. We normalize the data and perimeter terms in the functional to expedite the graph cut without having to optimize the scaling parameter $λ$. In place of a training process, predetermined tissue means are computed based on sample regions identified by expert radiologists. The proposed method also has the advantage of being relatively simple to implement computationally. It was evaluated against the ground truth on a clinical CT dataset of 10 tumors and yielded segmentations with a mean Dice similarity coefficient (DSC) of .77 and mean volume overlap error (VOE) of 36.7%. The average processing time was 1.25 minutes per slice.

研究动机与目标

• 解决CT成像中低对比度、边界不清晰的肝脏肿瘤带来的挑战，这些特征会妨碍放射科医生进行准确的手动分割。
• 减少手动分割所耗费的时间和变异性，同时提高可重复性。
• 开发一种计算效率高的半自动方法，避免机器学习方法中常见的训练数据需求。
• 利用时序强度数据提升在噪声和弱边界条件下的分割鲁棒性。
• 实现快速、准确且可重复的分割，适用于术前规划和肿瘤分期的临床应用。

提出的方法

• 为每个像素构建一个59维的特征向量，利用动态CT扫描中59个时间相位的强度值，以增强组织区分能力。
• 构建一个能量泛函，其中数据保真项基于专家识别的ROI区域中预定义的组织均值，且采用简化的周长代价项。
• 对能量泛函中的数据项和周长项进行归一化，以消除对λ参数优化的需求。
• 应用Boykov-Kolmogorov最大流算法，分两个阶段执行图割：首先将肿瘤与健康组织分离，然后将血管与肿瘤组织分离。
• 采用两步分割流程：首次切割将肿瘤与非肿瘤组织分离，随后进行第二次切割以分离血管结构。
• 利用最大流-最小割定理高效计算全局能量最小化，避免主动轮廓方法中常见的局部极小值问题。

实验结果

研究问题

• RQ1 将时序强度数据整合到特征向量中，是否能提升图割分割在边界模糊、对比度低的肝脏肿瘤中的鲁棒性？
• RQ2 在能量泛函中对数据项和周长项进行归一化，是否能消除对λ参数调优的需求，同时保持分割精度？
• RQ3 基于专家识别的组织均值的半自动方法，是否能在无需大规模训练数据的情况下实现具有竞争力的性能？
• RQ4 与现有的图割方法和基于机器学习的分割技术相比，该方法在准确性和速度方面表现如何？
• RQ5 该方法在检测小肿瘤和准确分割血管结构方面的主要局限性是什么？

主要发现

• 所提出的方法在包含10个肝脏肿瘤的临床数据集上实现了0.77的平均Dice相似系数（DSC），表明整体分割性能较强。
• 平均体积重叠误差（VOE）为36.7%，相对较高但与其他基于图割的方法相当，尤其考虑到该方法未使用训练数据。
• 平均处理时间为每切片1.25分钟，显著快于手动分割报告的平均4.2分钟/肿瘤。
• 该方法在运行时间上优于九种其他方法中的五种，并且在MIDAS数据集上的DSC分数与手动分割（0.83）相当。
• 该方法表现出相对较高的相对体积差异（RVD）为35.1%，主要由于过度分割和小肿瘤漏检，表明在小病灶或低对比度病灶上仍存在挑战。
• 第二阶段图割在血管分割中表现较差，表明血管结构的建模或预处理仍需改进。