[论文解读] Liver Segmentation in Abdominal CT Images by Adaptive 3D Region Growing

Shima Rafiei, Nader Karimi+5 more|arXiv (Cornell University)|Feb 21, 2018

Medical Image Segmentation Techniques被引用 3

一句话总结

本文提出了一种用于腹部CT扫描肝脏分割的自适应3D区域生长方法，结合了个体特异性灰度先验、空间位置约束以及边界感知的区域扩展与对比度增强。该方法取得了92.56%的Dice分数，优于Deeds先验图上的硬阈值处理和13个器官配准的多数投票方法，尽管作者后来对表1中的结果进行了更正。

ABSTRACT

Automatic liver segmentation plays an important role in computer-aided diagnosis and treatment. Manual segmentation of organs is a difficult and tedious task and so prone to human errors. In this paper, we propose an adaptive 3D region growing with subject-specific conditions. For this aim we use the intensity distribution of most probable voxels in prior map along with location prior. We also incorporate the boundary of target organs to restrict the region growing. In order to obtain strong edges and high contrast, we propose an effective contrast enhancement algorithm to facilitate more accurate segmentation. In this paper, 92.56% Dice score is achieved. We compare our method with the method of hard thresholding on Deeds prior map and also with the majority voting on Deeds registration with 13 organs.

研究动机与目标

• 为解决腹部CT中手动肝脏分割耗时且易出错的挑战。
• 通过整合个体特异性灰度分布和解剖位置先验，提高分割精度。
• 通过对比度增强算法改善边界检测，从而提高区域生长的精度。
• 通过将器官边界信息整合到区域生长过程中，减少过度分割和分割不足。
• 实现在不同患者解剖结构下稳健且自动化的肝脏分割。

提出的方法

• 该方法使用来自Deeds图谱的先验图来建模可能肝脏体素的灰度分布。
• 将个体特异性灰度先验与空间位置先验结合，以指导3D中的区域生长。
• 应用对比度增强算法以改善CT图像中边缘定义和组织对比度。
• 区域生长从种子点开始，基于灰度相似性扩展，受空间和边界先验约束。
• 算法利用局部灰度统计量和边界信息，自适应地调整生长阈值。
• 通过检测高梯度体素来强制实施边界约束，防止向邻近器官过度生长。

实验结果

研究问题

• RQ1 结合个体特异性灰度和空间先验的自适应3D区域生长能否提升腹部CT中肝脏分割的准确性？
• RQ2 引入对比度增强步骤对分割性能和边界检测有何影响？
• RQ3 与标准方法相比，边界感知的区域生长在多大程度上减少了过度分割和分割不足？
• RQ4 与Deeds先验图上的硬阈值处理以及13个器官配准的多数投票方法相比，所提出方法表现如何？
• RQ5 多种先验的整合是否能实现适用于临床的稳健且全自动的分割流程？

主要发现

• 所提方法取得了92.56%的Dice相似系数，表明与真实标注具有高度重叠。
• 在分割准确性方面，该方法优于Deeds先验图上的硬阈值处理。
• 在分割性能方面，该方法也优于使用13个器官配准的多数投票方法。
• 对比度增强显著改善了边缘检测，从而实现了更精确的区域扩展。
• 空间和边界先验的整合有效减少了器官边界附近的分割误差。
• 尽管结果表现强劲，但原始论文的表1中存在错误比较，后经作者更正。