[论文解读] Cardiac MR Image Segmentation Techniques: an overview

Tizita Nesibu Shewaye|arXiv (Cornell University)|Feb 14, 2015

Medical Image Segmentation Techniques参考文献 20被引用 4

一句话总结

本文全面综述了心脏磁共振成像（MRI）分割技术，重点介绍基于区域、边缘、活动轮廓和图谱的自动化方法，用于分割四个心脏腔室，特别是左心室和右心室，以及更具挑战性的左心房和右心房。主要贡献包括对分割性能的对比分析，以及对最先进方法的综合评述，突出显示活动轮廓和图谱方法为领先技术，通过混合的、粗到细的框架有望进一步提升性能。

ABSTRACT

Broadly speaking, the objective in cardiac image segmentation is to delineate the outer and inner walls of the heart to segment out either the entire or parts of the organ boundaries. This paper will focus on MR images as they are the most widely used in cardiac segmentation -- as a result of the accurate morphological information and better soft tissue contrast they provide. This cardiac segmentation information is very useful as it eases physical measurements that provides useful metrics for cardiac diagnosis such as infracted volumes, ventricular volumes, ejection fraction, myocardial mass, cardiac movement, and the like. But, this task is difficult due to the intensity and texture similarities amongst the different cardiac and background structures on top of some noisy artifacts present in MR images. Thus far, various researchers have proposed different techniques to solve some of the pressing issues. This seminar paper presents an overview of representative medical image segmentation techniques. The paper also highlights preferred approaches for segmentation of the four cardiac chambers: the left ventricle (LV), right ventricle (RV), left atrium (LA) and right atrium (RA), on short axis image planes.

研究动机与目标

• 为心脏MRI医学图像分割技术提供基础性综述，目标受众为早期科研人员。
• 识别并比较四个心脏腔室（尤其是左心房和右心房）的关键分割策略，这些结构因对比度低和解剖结构复杂而更难分割。
• 使用Dice系数和Hausdorff距离等标准指标评估分割算法的性能。
• 指出基于强度和阈值方法的局限性，并倡导采用模型驱动方法，如活动轮廓和图谱分割。
• 提出未来研究方向，包括结合多种技术的混合框架，以提升分割精度。

提出的方法

• 本文将分割技术分类为基于区域、基于边缘、活动轮廓和图谱方法，并重点阐述其在短轴位心脏MRI中的应用。
• 描述了一个通用的分割流程：预处理（去噪、感兴趣区域选择）、基于学习模型或图像特性的自动分割，以及后处理（错误校正、用户输入引导的优化）。
• 针对左心房分割，本文讨论了强度阈值法、基于种子点的区域生长法，以及结合霍夫变换检测主动脉和基于梯度的活动轮廓的先进方法。
• 通过15个手动分割模板和基于最大后验概率估计的标签融合，详细阐述了图谱分割方法以提升精度。
• 通过主成分分析（PCA）生成的特征形状，将形状先验信息融入水平集方法，以指导右心房的分割。
• 采用两种标准指标评估分割精度：Dice系数用于衡量空间重叠程度，Hausdorff距离用于衡量最大边界差异。

实验结果

研究问题

• RQ1 在左心室和右心室形状相对简单且一致的前提下，哪些分割技术最为有效？
• RQ2 为何左心房和右心房的分割尤其具有挑战性？哪些方法最能有效应对这些挑战？
• RQ3 在心脏MRI分割中，活动轮廓方法与图谱方法在性能和鲁棒性方面如何比较？
• RQ4 混合或多阶段方法（如粗到细框架）在多大程度上提升了分割精度？
• RQ5 形状先验信息以及图像强度/梯度信息在提升低对比度心脏结构分割效果方面发挥何种作用？

主要发现

• 使用15个配准模板并结合最大后验概率估计进行标签融合的图谱分割方法，在左心房分割中优于其他图谱变体。
• 通过主成分分析（PCA）从手动标注形状中提取形状先验信息并引入活动轮廓方法，显著提升了右心房分割的准确性，优于仅依赖强度信息的方法。
• 在左心房分割中，结合用户提供的种子点的区域生长法，相比纯阈值法，取得了更优结果，尤其在强度分布不一致的情况下表现更佳。
• 利用霍夫变换检测胸主动脉，可实现左心房分割的可靠种子区域初始化，显著提升了不同患者间的鲁棒性。
• 尽管技术不断进步，左心房和右心房仍因对比度低、边界模糊和解剖变异度高而难以分割。
• 结合多种技术（尤其是活动轮廓与图谱方法）的策略，为未来高精度分割框架展现出强大潜力。