[论文解读] Computer-Aided Knee Joint Magnetic Resonance Image Segmentation - A Survey

Boyu Zhang, Yingtao Zhang+5 more|arXiv (Cornell University)|Feb 13, 2018

Medical Imaging and Analysis参考文献 37被引用 9

一句话总结

本综述全面回顾了计算机辅助膝关节MRI分割方法，根据其基本原理进行分类，并分析了其性能、挑战与研究趋势。该综述通过整合数十年来在骨关节炎评估中自动与半自动分割技术的研究成果，解决了人工MRI分析中存在的高人力成本与变异问题。

ABSTRACT

Osteoarthritis (OA) is one of the major health issues among the elderly population. MRI is the most popular technology to observe and evaluate the progress of OA course. However, the extreme labor cost of MRI analysis makes the process inefficient and expensive. Also, due to human error and subjective nature, the inter- and intra-observer variability is rather high. Computer-aided knee MRI segmentation is currently an active research field because it can alleviate doctors and radiologists from the time consuming and tedious job, and improve the diagnosis performance which has immense potential for both clinic and scientific research. In the past decades, researchers have investigated automatic/semi-automatic knee MRI segmentation methods extensively. However, to the best of our knowledge, there is no comprehensive survey paper in this field yet. In this survey paper, we classify the existing methods by their principles and discuss the current research status and point out the future research trend in-depth.

研究动机与目标

• 解决在骨关节炎评估中人工膝关节MRI分析存在的高人力成本与观察者间/观察者内变异问题。
• 基于其基本原理，对现有自动与半自动膝关节MRI分割方法进行系统性分类。
• 分析当前研究现状，识别计算机辅助膝关节MRI分割中的关键挑战与局限性。
• 突出该领域未来的研究方向与趋势，特别是临床与科研应用方面。
• 通过整合数十年来膝关节MRI分割技术的进展，为研究人员与临床医生提供基础参考。

提出的方法

• 本综述根据核心原理将膝关节MRI分割方法划分为若干类别，如基于强度、基于形状、基于图谱和基于机器学习的方法。
• 采用标准化标准评估方法，包括分割精度、鲁棒性与计算效率。
• 作者分析了过去数十年的代表性工作，重点关注同行评审文献中报告的方法创新与性能指标。
• 通过表格形式进行对比分析，总结不同技术的关键特性、性能与局限性。
• 讨论了从传统图像处理方法到现代基于深度学习的分割模型的方法演进过程。
• 本文强调了验证协议、基准数据集与可复现性在方法评估中的重要性。

实验结果

研究问题

• RQ1 计算机辅助膝关节MRI分割方法的主要类别是什么？它们在原理与性能上如何不同？
• RQ2 当前膝关节MRI分割技术中的关键挑战与局限性是什么，特别是在精度与可复现性方面？
• RQ3 过去数十年中，分割方法如何演变？深度学习与人工智能在近期进展中扮演了何种角色？
• RQ4 在膝关节MRI分割研究中，最有效的评估指标与基准数据集是什么？
• RQ5 哪些未来研究方向最有可能提升临床适用性与诊断可靠性？

主要发现

• 综述指出，基于强度与基于图谱的方法由于其可解释性与适中的计算成本，仍被广泛使用。
• 基于机器学习与深度学习的方法，特别是使用卷积神经网络的方法，相比传统方法表现出更高的分割精度。
• 尽管技术有所进步，观察者间变异高以及缺乏标准化验证协议仍是临床部署中的重大挑战。
• 形状先验与多图谱融合技术的整合，提高了对软骨与半月板等复杂解剖结构分割的鲁棒性。
• 综述强调，尽管深度学习模型可实现高精度，但通常需要大规模且由专家标注的数据集，且对领域偏移敏感。
• 未来研究应聚焦于提升泛化能力、可解释性与实时性能，以支持临床决策。