[论文解读] Client/Server Based Online Environment for Manual Segmentation of Medical Images

Daniel Wild, Maximilian Weber+1 more|arXiv (Cornell University)|Apr 18, 2019

Medical Image Segmentation Techniques参考文献 8被引用 7

一句话总结

本文提出 Studierfenster，一种基于网络的客户端/服务器应用程序，可在浏览器中直接进行医学图像的手动分割，无需安装本地软件。该工具实现了高可用性（平均评分 6.3/7），并生成与标准工具兼容的精确分割结果，显著简化了医学图像分析研究中的真实标注数据收集工作。

ABSTRACT

Segmentation is a key step in analyzing and processing medical images. Due to the low fault tolerance in medical imaging, manual segmentation remains the de facto standard in this domain. Besides, efforts to automate the segmentation process often rely on large amounts of manually labeled data. While existing software supporting manual segmentation is rich in features and delivers accurate results, the necessary time to set it up and get comfortable using it can pose a hurdle for the collection of large datasets. This work introduces a client/server based online environment, referred to as Studierfenster (studierfenster.at), that can be used to perform manual segmentations directly in a web browser. The aim of providing this functionality in the form of a web application is to ease the collection of ground truth segmentation datasets. Providing a tool that is quickly accessible and usable on a broad range of devices, offers the potential to accelerate this process. The manual segmentation workflow of Studierfenster consists of dragging and dropping the input file into the browser window and slice-by-slice outlining the object under consideration. The final segmentation can then be exported as a file storing its contours and as a binary segmentation mask. In order to evaluate the usability of Studierfenster, a user study was performed. The user study resulted in a mean of 6.3 out of 7.0 possible points given by users, when asked about their overall impression of the tool. The evaluation also provides insights into the results achievable with the tool in practice, by presenting two ground truth segmentations performed by physicians.

研究动机与目标

• 解决传统本地医学图像分割软件设置繁琐、培训耗时的问题。
• 通过浏览器即时访问，降低大规模真实标注数据集收集的门槛。
• 为医生和研究人员提供平台无关、轻量级的解决方案，无需安装软件即可执行手动分割。
• 提升自动化分割算法训练所需真实标注注释的效率与可及性。
• 通过包含医学与非医学参与者的受控用户研究，评估可用性与分割精度。

提出的方法

• 采用 Slice:Drop 作为前端医学图像查看器，构建客户端/服务器架构，并扩展自定义后端服务器。
• 支持通过拖拽将文件上传至浏览器，采用逐切片轮廓绘制方式完成分割。
• 实现服务端处理，将用户绘制的轮廓转换为二值 NRRD 掩码文件以供导出。
• 利用 Web 技术（HTML、CSS、JavaScript）确保跨平台兼容性与零安装要求。
• 设计响应式用户界面，左侧为分割功能控制区，后根据用户反馈进行优化。
• 开展用户研究，对比医学与非医学用户在分割时间、Hausdorff 距离和 Dice 评分方面的表现。

实验结果

研究问题

• RQ1 与传统桌面软件相比，基于网络的客户端/服务器系统是否能显著减少设置时间并提升医学图像手动分割的可及性？
• RQ2 医学专业人士与非专家对基于浏览器的分割工具的可用性感知，与桌面工具相比如何？
• RQ3 基于网络界面可实现多高的分割精度？医学专家与非专家的结果表现如何比较？
• RQ4 基于网络的分割工作流中会出现哪些可用性问题？哪些功能（如缩放、图示图标）对用户效率与满意度影响最大？
• RQ5 基于网络的工具在多大程度上能生成与现有医学影像软件处理流程兼容的真实标注数据？

主要发现

• 该工具获得 7.0 满分中的平均可用性评分为 6.3，表明整体用户满意度高，且感知复杂度低。
• 医学用户完成分割的平均用时为 14.7 分钟，快于非医学用户（平均 18.8 分钟），但两组均产生高质量结果。
• 医学用户的 Hausdorff 距离更低（平均 3.518），而非医学用户为 3.805，表明专家轮廓绘制更精确。
• 医学用户的 Dice 评分略高（平均 0.852），高于非医学用户（平均 0.836），证实专家间分割一致性更好。
• 尽管经验水平较低，非医学用户仍能生成可接受精度的分割结果，表明该工具即使无医学训练背景也具备可用性。
• 用户指出关键改进建议，如增加缩放功能及为 UI 控件添加视觉图标，这些改进有望进一步缩短培训时间并提升精度。