[论文解读] Learning Based Segmentation of CT Brain Images: Application to Post-Operative Hydrocephalic Scans

Venkateswararao Cherukuri, Peter Ssenyonga+4 more|PubMed|Dec 11, 2017

Fetal and Pediatric Neurological DisordersMedicine参考文献 35被引用 17

一句话总结

本文提出了一种基于学习的分割方法，用于脑积水患者术后CT脑部扫描的分割，采用监督像素级分类框架，并结合类别特定字典学习，以准确区分脑组织、脑脊液（CSF）和硬膜下血肿。该方法在计算成本更低且对有限训练数据更具鲁棒性的情况下，实现了最先进性能，从而实现了临床评估所需的可靠体积估计。

ABSTRACT

Experiments performed on infant CT brain images acquired from the CURE Children's Hospital of Uganda reveal the success of our method against the state-of-the-art alternatives. We also demonstrate that the proposed algorithm is computationally less burdensome and exhibits a graceful degradation against a number of training samples, enhancing its deployment potential.

研究动机与目标

• 解决术后脑积水患者CT扫描分割的挑战，其中解剖结构扭曲和强度可变的硬膜下血肿会干扰传统基于强度的分割方法。
• 开发一种监督像素级分类框架，通过学习类别特定字典，有效表征脑组织、CSF和硬膜下积液。
• 与现有方法相比，降低计算和内存开销，提升在低资源临床环境中的可部署性。
• 确保对训练数据量变化的鲁棒性，从而在标注扫描数量有限的情况下仍具实用性。
• 实现对脑组织和CSF体积的精确估计，以评估小儿脑积水手术后的临床结局。

提出的方法

• 该方法采用字典学习框架，利用标注的训练数据学习三个类别特定字典——分别对应脑组织、CSF和硬膜下血肿。
• 将分割问题表述为稀疏编码问题，通过使用学习到的字典求解每个图像块的最稀疏表示，以分配像素标签。
• 框架中引入判别性项，通过在字典学习过程中强调类别间的差异，增强类别分离效果。
• 设计了定制化的训练和测试流程，以应对术后扫描特有的挑战，包括几何形变和硬膜下区域的强度可变性。
• 通过解析方式计算计算复杂度和内存占用，表明与基线方法（如DDLS和基于图像块的SRC）相比，显著降低。
• 最终分类采用在稀疏编码上训练的线性分类器，实现低开销的快速推理。

实验结果

研究问题

• RQ1 基于监督字典学习的方法是否能在具有复杂硬膜下病理的术后脑积水CT扫描中，优于传统基于强度的分割方法？
• RQ2 所提出的方法如何处理不同患者之间硬膜下强度和形态的可变性？
• RQ3 与现有最先进技术相比，该方法的计算和内存效率如何？
• RQ4 当在有限数据量上进行训练时，该方法的性能表现如何？是否随样本减少而平稳退化？
• RQ5 该方法能否可靠地区分硬膜下血肿与脑组织和CSF，以实现临床评估所需的精确体积估计？

主要发现

• 所提出方法在乌干达库雷儿童医院的术后CT扫描数据上实现了最先进的分割精度，优于现有其他方法。
• 随着训练数据量减少，该方法表现出平稳的性能退化，即使在标注扫描数量有限的情况下仍保持鲁棒性。
• 计算复杂度显著低于DDLS和基于图像块的SRC，复杂度规模为O(NK)，其中N为训练样本数，K为字典大小。
• 内存占用大幅降低——相比DDLS减少Ix×Iy倍——这是由于字典在图像像素间共享，而非为每个像素单独存储字典。
• 即使硬膜下血肿的强度与CSF或脑组织重叠，该方法仍能实现对硬膜下血肿与脑组织及CSF的精确分离。
• 该框架能够实现对脑组织和CSF的可靠体积估计，这对评估分流手术后神经认知结局至关重要。