[论文解读] Incorporating prior knowledge in medical image segmentation: a survey

Masoud S. Nosrati, Ghassan Hamarneh|arXiv (Cornell University)|Jul 5, 2016

Medical Image Segmentation Techniques参考文献 56被引用 38

一句话总结

本综述全面分析了融合先验知识的基于优化的医学图像分割方法，对形状、外观、拓扑结构及图谱模型等类型的先验知识进行了分类，涵盖连续与离散公式化方法。文章强调了能量函数保真度与可优化性之间的权衡，提倡使用凸化技术，并引入了一个交互式在线数据库，以支持自动化、高精度分割的持续研究。

ABSTRACT

Medical image segmentation, the task of partitioning an image into meaningful parts, is an important step toward automating medical image analysis and is at the crux of a variety of medical imaging applications, such as computer aided diagnosis, therapy planning and delivery, and computer aided interventions. However, the existence of noise, low contrast and objects' complexity in medical images are critical obstacles that stand in the way of achieving an ideal segmentation system. Incorporating prior knowledge into image segmentation algorithms has proven useful for obtaining more accurate and plausible results. This paper surveys the different types of prior knowledge that have been utilized in different segmentation frameworks. We focus our survey on optimization-based methods that incorporate prior information into their frameworks. We review and compare these methods in terms of the types of prior employed, the domain of formulation (continuous vs. discrete), and the optimization techniques (global vs. local). We also created an interactive online database of existing works and categorized them based on the type of prior knowledge they use. Our website is interactive so that researchers can contribute to keep the database up to date. We conclude the survey by discussing different aspects of designing an energy functional for image segmentation, open problems, and future perspectives.

研究动机与目标

• 解决传统分割方法在噪声大、对比度低且结构复杂的医学图像中的局限性。
• 系统性地对基于优化的分割框架中使用的先验知识类型进行分类与比较。
• 分析分割模型中能量函数保真度与可优化性（如凸性、子模性）之间的权衡。
• 开发并维护一个按先验知识类型分类的交互式、实时更新的在线分割工作数据库。
• 通过将手工设计的先验与可学习组件相结合，引导未来研究实现全局最优、高效且无伪影的分割。

提出的方法

• 调研融合先验知识的基于优化的分割方法，重点聚焦于能量最小化与后验最大估计。
• 将先验知识划分为若干类别：用户交互、外观模型、边界/边缘极性、形状模型、拓扑结构、矩约束、几何交互以及基于图谱的先验。
• 基于领域（连续与离散）和优化策略（全局与局部）分析方法，强调凸性与子模性。
• 提出一种将多种先验模块化整合到单一能量泛函中的框架，采用各项的加权线性组合形式。
• 引入一个交互式在线数据库，按先验类型对分割工作进行分类与更新，支持社区协作。
• 强调需要采用凸松弛技术以在不牺牲模型保真度的前提下提升可优化性。

实验结果

研究问题

• RQ1 哪些类型的先验知识在提升医学图像分割的准确性和鲁棒性方面最为有效？
• RQ2 不同的公式化方法（连续与离散）和优化策略（全局与局部）如何影响分割算法的性能与可靠性？
• RQ3 能量函数保真度（建模精度）与可优化性（如凸性、收敛性保证）之间的权衡是什么？
• RQ4 如何系统性地将先验知识整合到多目标能量泛函中？权重分配方案起什么作用？
• RQ5 在开发可扩展至大规模医学图像的全局最优、高效且无伪影的分割方法时，面临哪些关键挑战？

主要发现

• 融合多样化的先验知识（如形状、外观、拓扑结构及图谱模型）可显著提升复杂医学图像中的分割准确性。
• 能量函数保真度与可优化性之间的权衡仍是核心挑战，非凸或非子模的先验会增加全局优化的复杂性。
• 近期进展倾向于采用凸松弛技术，以在保持模型保真度的同时实现全局最优解。
• 基于图的方法虽有效，但常因网格偏差伪影和大规模成像中的内存低效性而受限。
• 当具备足够训练数据时，利用机器学习实现多术语能量函数中自动权重学习是可行且有效的。
• 按先验类型分类的交互式在线分割工作数据库，支持持续研究并促进社区驱动的更新。