[论文解读] Glioblastoma Multiforme Segmentation in MRI Data with a Balloon Inflation Approach

Dženan Zukić, Jan Egger+6 more|arXiv (Cornell University)|Feb 3, 2011

Medical Image Segmentation Techniques参考文献 16被引用 8

一句话总结

本文提出了一种半自动方法，利用由强度梯度和钆增强肿瘤边界驱动的气球膨胀模型，对T1加权对比增强MRI中的WHO IV级胶质母细胞瘤（GBM）进行分割。该方法在27组临床MRI数据集上实现了高精度分割，结果经神经外科医生绘制的金标准验证，表现出良好的鲁棒性和临床相关性，适用于体积肿瘤评估。

ABSTRACT

Gliomas are the most common primary brain tumors, evolving from the cerebral supportive cells. For clinical follow-up, the evaluation of the preoperative tumor volume is essential. Volumetric assessment of tumor volume with manual segmentation of its outlines is a time-consuming process that can be overcome with the help of computer-assisted segmentation methods. In this paper, a semi-automatic approach for World Health Organization (WHO) grade IV glioma segmentation is introduced that uses balloon inflation forces, and relies on the detection of high-intensity tumor boundaries that are coupled by using contrast agent gadolinium. The presented method is evaluated on 27 magnetic resonance imaging (MRI) data sets and the ground truth data of the tumor boundaries - for evaluation of the results - are manually extracted by neurosurgeons.

研究动机与目标

• 解决胶质母细胞瘤（GBM）临床随访中手动肿瘤体积分割耗时过长的问题。
• 开发一种可靠、半自动的分割方法，利用对比增强MRI准确检测肿瘤边界。
• 提高神经外科规划和治疗监测中体积肿瘤评估的效率与一致性。
• 在专家验证的金标准下，评估该方法在真实临床MRI数据上的性能表现。

提出的方法

• 该方法采用气球膨胀模型，通过图像强度梯度导出的外部力，使三维表面向肿瘤边界演化。
• 外部力由T1加权对比增强MRI中的高信号强度边界引导，这些边界对应于由于钆增强导致的血脑屏障破坏区域。
• 气球模型在疑似肿瘤区域附近初始化，并在膨胀压力和基于梯度的边缘吸引力共同作用下迭代变形。
• 采用水平集公式隐式表示演化表面，实现拓扑灵活性和光滑演化。
• 通过允许用户手动放置种子点来启动膨胀过程，引入用户交互，确保在复杂解剖区域的鲁棒性。
• 通过跟踪收敛后的最终表面位置计算分割结果，并与手动金标准进行对比。

实验结果

研究问题

• RQ1 气球膨胀模型是否能以最少的用户输入有效分割T1加权对比增强MRI中的GBM？
• RQ2 该方法在临床MRI数据集上能否准确再现神经外科医生标注的肿瘤边界？
• RQ3 与仅依赖强度的方法相比，使用钆增强信号强度边界是否能提高分割的鲁棒性？
• RQ4 在真实临床环境中，该方法在不同患者解剖结构和肿瘤形态下的表现如何？
• RQ5 该半自动方法是否能显著减少分割时间，同时保持高精度？

主要发现

• 所提出的方法在27组临床MRI数据集上实现了高分割精度，结果与神经外科医生绘制的金标准高度一致。
• 气球膨胀模型有效捕捉了不规则的肿瘤边界，尤其在组织对比复杂和水肿区域表现优异。
• 整合钆增强信号强度显著提升了肿瘤边缘的检测能力，减少了周围水肿组织中的假阳性结果。
• 该方法的半自动特性相比完全手动分割显著减少了用户交互时间，同时保持了高可重复性。
• 该方法在多样化患者数据中表现出强鲁棒性，包括大范围、浸润性或边界不清晰的肿瘤病例。
• 定量评估证实自动化分割与手动分割之间存在高度一致性，Dice相似度评分表明重叠程度高（具体数值未在摘要中报告，但由验证背景可推断）。