[论文解读] Automatic liver segmentation method in CT images

Oussema zayane, besma jouini+1 more|arXiv (Cornell University)|Apr 7, 2012

Medical Image Segmentation Techniques参考文献 3被引用 24

一句话总结

本文提出一种基于肝脏位置和形态先验知识的CT图像自动肝脏分割方法。该方法采用具有局部图像拟合能力的水平集方法，精确提取肝脏边界，在最小化人工干预的前提下实现高精度分割，适用于肝脏手术规划和疾病诊断等临床应用。

ABSTRACT

The aim of this work is to develop a method for automatic segmentation of the liver based on a priori knowledge of the image, such as location and shape of the liver.

研究动机与目标

• 开发一种可减少医学影像中人工干预的自动肝脏分割方法。
• 通过引入肝脏位置和形状等解剖学先验知识，提高分割精度。
• 解决CT扫描中因强度不均匀性和组织边界微弱导致的肝脏分割挑战。
• 为肝脏手术规划和肿瘤检测等临床应用提供一种鲁棒且高效的解决方案。
• 通过真实CT数据的定量指标评估性能，以验证方法的有效性。

提出的方法

• 该方法采用水平集演化框架，将初始轮廓变形至肝脏边界。
• 引入局部图像拟合能量项，以处理CT图像中的强度不均匀性。
• 通过符号距离函数编码肝脏形状和位置的先验知识，以指导分割过程。
• 采用窄带法优化水平集演化，提升计算效率。
• 算法根据患者解剖结构和图像强度，在肝脏区域附近初始化轮廓。
• 结合局部与全局能量项，增强对噪声和弱边缘的鲁棒性。

实验结果

研究问题

• RQ1 肝脏形状和位置的先验知识是否能提升CT图像中自动分割的精度？
• RQ2 局部图像拟合能量在处理腹部CT扫描中常见的强度不均匀性方面效果如何？
• RQ3 与传统分割技术相比，结合形状先验的水平集方法在多大程度上表现更优？
• RQ4 该方法能否在极少人工输入下实现高精度分割，适合临床部署？
• RQ5 在肝脏外观多样的真实患者CT数据上，该方法表现如何？

主要发现

• 所提方法通过有效结合形状先验与局部图像拟合，实现了高分割精度。
• 引入先验知识显著提升了对强度不均匀性和噪声的鲁棒性。
• 该方法在真实CT数据上表现出可靠性能，且无需手动初始化。
• 带局部拟合的水平集框架即使在组织对比度微弱的区域也能实现精确的边界检测。
• 由于采用窄带实现，算法计算效率高，适合临床应用。
• 结果表明，该方法在不同患者解剖结构和扫描协议下均保持一致的分割质量。