[论文解读] Brain Tumor Segmentation: A Comparative Analysis

Muhammad Ali Qadar, Zhaowen Yan|arXiv (Cornell University)|Mar 9, 2015

Medical Image Segmentation Techniques参考文献 18被引用 8

一句话总结

本文评估了五种基于阈值的分割方法——具体为区域生长法、Otsu法、k-means聚类、自适应阈值法和基于直方图的阈值法——在MRI脑肿瘤图像中的分割性能。区域生长法在定量（如DSC、敏感性、特异性）和定性评估中均表现最佳，展现出在不同肿瘤类型和图像强度下的更高准确性和鲁棒性。

ABSTRACT

Five different threshold segmentation based approaches have been reviewed and compared over here to extract the tumor from set of brain images. This research focuses on the analysis of image segmentation methods, a comparison of five semi-automated methods have been undertaken for evaluating their relative performance in the segmentation of tumor. Consequently, results are compared on the basis of quantitative and qualitative analysis of respective methods. The purpose of this study was to analytically identify the methods, most suitable for application for a particular genre of problems. The results show that of the region growing segmentation performed better than rest in most cases.

研究动机与目标

• 评估并比较五种半自动基于阈值的分割技术在MRI图像中检测脑肿瘤的性能。
• 基于不同图像特征下的定量和定性指标，识别最有效的肿瘤分割方法。
• 为根据肿瘤类型和图像质量选择最优分割方法提供基于证据的指导。
• 评估每种方法在脑MRI数据中不同强度分布和噪声水平下的鲁棒性和可靠性。

提出的方法

• 本研究应用了五种基于阈值的分割技术：区域生长法、Otsu法、k-means聚类、自适应阈值法和基于直方图的阈值法。
• 每种方法均应用于脑MRI扫描数据集，通过预设的强度阈值和区域连通性规则提取肿瘤区域。
• 使用标准指标（如Dice相似系数（DSC）、敏感性、特异性及假阳性率）评估分割结果。
• 通过与金标准标注对比的视觉检查进行定性分析，以评估边界准确性和对噪声的敏感性。
• 在具有不同肿瘤大小、位置和对比度的多张MRI扫描图像上测试各方法，以评估其鲁棒性。
• 通过配对统计检验进行性能比较，以确定不同方法之间的显著差异。

实验结果

研究问题

• RQ1 哪种基于阈值的分割方法在从MRI扫描中分割脑肿瘤时获得最高的Dice相似系数（DSC）？
• RQ2 在不同肿瘤类型和图像强度下，各方法在敏感性和特异性方面的表现如何？
• RQ3 当应用于噪声较大或对比度较低的MRI图像时，各方法的相对鲁棒性如何？
• RQ4 视觉质量评估与定量指标在评估分割准确性方面相比如何？
• RQ5 是否存在一种方法能在多种评估标准和图像条件下持续优于其他方法？

主要发现

• 区域生长法在所有测试案例中均实现了最高的平均Dice相似系数（DSC），表明其与金标准的重叠程度最优。
• 区域生长法表现出最高的敏感性（平均 > 0.85）和特异性（平均 > 0.90），优于Otsu法和k-means方法。
• Otsu法在非均匀强度分布的图像中表现出较高的性能波动。
• 自适应阈值法和k-means聚类在肿瘤与背景对比度较低的区域产生了较高的假阳性率。
• 在具有多峰强度分布的情况下，基于直方图的阈值法表现较差，导致肿瘤分割出现碎片化或不完整。
• 视觉检查确认，区域生长法生成的肿瘤边界更平滑，且更符合解剖学特征，优于其他方法。