[论文解读] Just-Enough Interaction Approach to Knee MRI Segmentation: Data from the Osteoarthritis Initiative

Satyananda Kashyap, Honghai Zhang+1 more|arXiv (Cornell University)|Mar 10, 2019

Human Pose and Action Recognition被引用 8

一句话总结

本文提出了一种新颖的‘恰到好处的交互’（JEI）方法，通过允许用户通过最少的图级交互来纠正分割错误，从而在LOGISMOS框架下提升膝关节MRI自动分割的性能。与直接编辑边界不同，用户放置‘推动点’以修改局部图代价，从而实现全局最优的重新优化。与全自动的LOGISMOS相比，JEI将软骨表面误差降低了40%以上（p < 0.001显著性），并实现了跨多个时间点的高效4D纵向校正。

ABSTRACT

State-of-the-art automated segmentation algorithms are not 100\\% accurate especially when segmenting difficult to interpret datasets like those with severe osteoarthritis (OA). We present a novel interactive method called just-enough interaction (JEI), which adds a fast correction step to the automated layered optimal graph segmentation of multiple objects and surfaces (LOGISMOS). After LOGISMOS segmentation in knee MRI, the JEI user interaction does not modify boundary surfaces of the bones and cartilages directly. Local costs of underlying graph nodes are modified instead and the graph is re-optimized, providing globally optimal corrected results. Significant performance improvement ($p \\ll 0.001$) was observed when comparing JEI-corrected results to the automated. The algorithm was extended from 3D JEI to longitudinal multi-3D (4D) JEI allowing simultaneous visualization and interaction of multiple-time points of the same patient.

研究动机与目标

• 解决在严重骨关节炎MRI中全自动分割的局限性，其中伪影与软骨相似，导致分割不准确。
• 开发一种用户交互方法，在保证全局最优性的前提下，以最少的输入纠正全自动分割结果。
• 将该方法扩展至纵向（4D）MRI分析，实现在同一患者多个时间点扫描中同时进行校正，以支持动态疾病监测。
• 与传统的体素级逐个体素编辑相比，减少观察者间偏差和后处理时间。

提出的方法

• 该方法首先对膝关节MRI中的股骨和胫骨骨骼及其软骨进行全自动LOGISMOS分割。
• 分割完成后，保留残差图，表示用于交互校正的优化状态。
• 用户在2D切片上放置‘推动点’，这些点修改底层图结构中的局部节点代价，而非直接改变边界。
• 通过最大流算法对图进行重新优化，确保每次交互后均获得全局最优的分割结果。
• 该方法被扩展至4D JEI，引入时间点间的约束，以保持同一患者多个扫描之间的时序一致性。
• 该框架与平台和应用无关，其GUI设计用于高效地实现多时间点的可视化与交互。

实验结果

研究问题

• RQ1 在存在严重骨关节炎病理的情况下，最小用户交互策略是否能提升全自动膝关节MRI分割的准确性？
• RQ2 与以往交互式方法不同，JEI方法在同时校正多个对象和表面时是否能保持全局最优性？
• RQ3 JEI能否有效扩展至纵向（4D）MRI分析，以支持动态软骨流失监测？
• RQ4 与传统的体素级逐个体素编辑相比，JEI在时间效率和分割准确性方面表现如何？
• RQ5 JEI校正的结果能否作为机器学习模型在软骨检测任务中的更优训练数据？

主要发现

• JEI校正的股骨软骨分割的有符号误差为 -0.03 ± 0.08 mm，显著低于全自动LOGISMOS的 -0.37 ± 0.23 mm（p ≪ 0.001）。
• 股骨软骨的无符号误差从全自动分割的 0.73 ± 0.16 mm 降低至JEI的 0.43 ± 0.06 mm，改善达40%，且p ≪ 0.001显著。
• 胫骨软骨的无符号误差从 0.80 ± 0.20 mm 降低至 0.51 ± 0.13 mm，同样具有p ≪ 0.001的显著性。
• 使用JEI的平均校正时间约为每数据集15分钟，远少于传统体素级编辑所需的数小时。
• 纵向4D JEI框架支持在多个时间点上同时可视化和校正，有助于逐步分析软骨流失过程。
• 与基于全自动LOGISMOS输出训练的分类器相比，使用JEI校正表面训练的机器学习分类器在软骨检测任务中表现更优。