[论文解读] Lung nodule segmentation via level set machine learning.

Matthew C. Hancock, Jerry F. Magnan|arXiv (Cornell University)|Oct 8, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 30被引用 9

一句话总结

本文提出了一种基于机器学习增强的水平集方法，用于CT扫描中的肺结节分割，其中通过回归学习数据驱动的速度函数，以引导轮廓演化。该方法在LIDC数据集上实现了0.7185（±0.1114）的平均交并比，表现出具有竞争力的性能，尤其在边界清晰的结节中表现更优，且在复杂病例中通过全局-局部特征融合实现了性能提升。

ABSTRACT

Purpose: Lung nodule segmentation, i.e., the algorithmic delineation of the lung nodule surface, is a fundamental component of computational nodule analysis pipelines. We propose a new method for segmentation that is a machine learning based extension of current approaches, using labeled image examples to improve its accuracy. Approach: We introduce an extension of the standard level set image segmentation method where the velocity function is learned from data via machine learning regression methods, rather than a priori designed. Instead, the method employs a set of features to learn a velocity function that guides the level set evolution from initialization. Results: We apply the method to image volumes of lung nodules from CT scans in the publicly available LIDC dataset, obtaining an average intersection over union score of 0.7185($\pm$0.1114), which is competitive with other methods. We analyze segmentation performance by anatomical and appearance-based categories of the nodules, finding that the method performs better for isolated nodules with well-defined margins. We find that the segmentation performance for nodules in more complex surroundings and having more complex CT appearance is improved with the addition of combined global-local features. Conclusions: The level set machine learning segmentation approach proposed herein is competitive with current methods. It provides accurate lung nodule segmentation results in a variety of anatomical contexts.

研究动机与目标

• 通过将机器学习整合到水平集框架中，提升CT扫描中肺结节分割的准确性。
• 用基于标注图像样本训练的数据驱动回归模型，替代传统水平集方法中的手工设计速度函数。
• 在不同解剖位置和外观特征的结节类别中评估性能，尤其关注复杂和孤立结节。
• 评估在挑战性病例中，结合全局与局部图像特征对分割准确性的影响。
• 开发一种在多样化解剖背景和结节外观下具有良好泛化能力的分割方法。

提出的方法

• 通过机器学习回归技术，从训练数据中学习速度函数，扩展了水平集方法。
• 提取一组图像特征（包括局部和全局特征），以表征结节特征并指导学习过程。
• 利用LIDC数据集中的标注样本，训练速度函数以引导水平集轮廓向真实结节边界演化。
• 该方法将轮廓初始化在结节附近，并基于学习到的速度函数演化轮廓，以实现最优分割。
• 特征工程包括纹理和形状相关的描述符，以提升在多样化结节形态下的泛化能力。
• 该方法使用回归模型（如随机森林或SVM）将图像特征映射到驱动轮廓演化的速度值。

实验结果

研究问题

• RQ1 在肺结节分割中，基于数据驱动的速度函数是否能优于传统手工设计的函数？
• RQ2 该方法在不同解剖位置和边缘特征的结节中的性能表现如何？
• RQ3 在复杂结节病例中，全局与局部图像特征的结合在多大程度上提升了分割准确性？
• RQ4 所提出的方法对结节外观变化和周围组织复杂性的适应能力如何？
• RQ5 在多样化结节类型中，该方法的分割准确率（以交并比衡量）如何？

主要发现

• 该方法在LIDC数据集上实现了0.7185（±0.1114）的平均交并比，性能与现有方法相比具有竞争力。
• 对于边界清晰的孤立结节，分割性能更高，表明在解剖结构较简单的场景中泛化能力更强。
• 在复杂背景和CT表现更复杂的病例中，当学习过程中结合全局与局部特征时，性能显著提升。
• 利用机器学习学习速度函数，实现了自适应轮廓演化，能更准确捕捉结节边界，优于固定的手工设计函数。
• 该方法在多样化解剖和外观特征的结节类别中表现出鲁棒性，尤其在特征工程中同时包含局部与全局描述符时。
• 结果证实，数据驱动的速度函数可提升分割准确率，尤其在具有挑战性的临床场景中。