[论文解读] Evaluation of a Novel Approach for Automatic Volume Determination of Glioblastomas Based on Several Manual Expert Segmentations

Jan Egger, M. Bauer+5 more|arXiv (Cornell University)|Mar 8, 2011

Medical Image Segmentation Techniques参考文献 10被引用 5

一句话总结

本文提出了一种基于图的新型自动分割方法，用于使用用户定义的种子点和三维射线采样构建有向图，进而通过最小s-t割实现肿瘤分离，以确定胶质母细胞瘤体积。在12例专家手动分割结果上进行评估，该方法获得了与专家间变异程度相当的高Dice相似系数（DSC），证明了其在MRI中自动肿瘤体积评估方面的鲁棒性和临床潜力。

ABSTRACT

The glioblastoma multiforme is the most common malignant primary brain tumor and is one of the highest malignant human neoplasms. During the course of disease, the evaluation of tumor volume is an essential part of the clinical follow-up. However, manual segmentation for acquisition of tumor volume is a time-consuming process. In this paper, a new approach for the automatic segmentation and volume determination of glioblastomas (glioblastoma multiforme) is presented and evaluated. The approach uses a user-defined seed point inside the glioma to set up a directed 3D graph. The nodes of the graph are obtained by sampling along rays that are sent through the surface points of a polyhedron. After the graph has been constructed, the minimal s-t cut is calculated to separate the glioblastoma from the background. For evaluation, 12 Magnetic Resonance Imaging (MRI) data sets were manually segmented slice by slice, by neurosurgeons with several years of experience in the resection of gliomas. Afterwards, the manual segmentations were compared with the results of the presented approach via the Dice Similarity Coefficient (DSC). For a better assessment of the DSC results, the manual segmentations of the experts were also compared with each other and evaluated via the DSC. In addition, the 12 data sets were segmented once again by one of the neurosurgeons after a period of two weeks, to also measure the intra-physician deviation of the DSC.

研究动机与目标

• 开发一种用于MRI扫描中胶质母细胞瘤体积准确且高效测定的自动化方法。
• 减轻临床医生手动分割所耗费的时间。
• 将所提出方法的性能与多位专家的手动分割结果进行评估。
• 评估手动分割中的组间与组内变异，作为自动化方法的基准。
• 建立一种可靠、可重复且适用于临床的胶质母细胞瘤随访自动分割方法。

提出的方法

• 使用患者体内胶质瘤内的用户定义种子点启动三维图的构建。
• 从种子点向多面体表面点投射射线，以在三维体数据中采样节点。
• 图的结构设计为：节点代表图像体素，边编码强度和空间关系。
• 应用最小s-t割算法，基于图能量最小化，将肿瘤（源点）与背景（汇点）分离。
• 分割结果由最小割得出，有效勾勒出肿瘤边界。
• 该方法利用专家手动分割结果作为性能评估的金标准。

实验结果

研究问题

• RQ1 与专家手动勾画相比，所提出的基于图的方法在胶质母细胞瘤分割中的准确性如何？
• RQ2 自动化方法的性能与专家间手动分割变异性的比较如何？
• RQ3 专家神经外科医生在不同时间点进行手动胶质母细胞瘤分割时的组内变异程度如何？
• RQ4 所提出的方法是否能在多种MRI扫描中实现一致且可靠的肿瘤体积估计？
• RQ5 使用多位专家的分割结果在多大程度上提升了对自动化分割方法性能评估的稳健性？

主要发现

• 所提出的自动分割方法获得的Dice相似系数（DSC）与神经外科专家之间的组间变异程度相当。
• 自动化方法与专家分割之间的平均DSC值较高，表明与手动勾画结果高度一致。
• 使用专家间DSC值作为基准，自动化方法的表现处于该范围内，表明具有临床可靠性。
• 一位专家在两周后重复分割所得的组内医生DSC值显示中等程度的变异，凸显了手动一致性面临的挑战。
• 该方法在12组不同MRI数据集上表现出鲁棒性，表明其对真实世界临床数据具有良好的泛化能力。
• 使用多位专家的分割结果使对自动化方法性能的评估更加可靠和全面。