[论文解读] maskSLIC: Regional Superpixel Generation with Application to Local Pathology Characterisation in Medical Images

Benjamin Irving|arXiv (Cornell University)|Jun 30, 2016

Medical Image Segmentation Techniques参考文献 10被引用 30

一句话总结

maskSLIC 通过在掩码内修改初始化和距离计算，将 SLIC 超像素聚类扩展到医学图像中不规则的感兴趣区域，显著提升了肿瘤内亚区域的检测效果。在 BRATS 2013 数据集上，其表现优于标准 SLIC（p=0.001），实现了更优的分割效果，并支持在 3D 和 4D DCE-MRI 数据中进行稳定且具有生物学意义的肿瘤亚区域分析。

ABSTRACT

Supervoxel methods such as Simple Linear Iterative Clustering (SLIC) are an effective technique for partitioning an image or volume into locally similar regions, and are a common building block for the development of detection, segmentation and analysis methods. We introduce maskSLIC an extension of SLIC to create supervoxels within regions-of-interest, and demonstrate,on examples from 2-dimensions to 4-dimensions, that maskSLIC overcomes issues that affect SLIC within an irregular mask. We highlight the benefits of this method through examples, and show that it is able to better represent underlying tumour subregions and achieves significantly better results than SLIC on the BRATS 2013 brain tumour challenge data (p=0.001) - outperforming SLIC on 18/20 scans. Finally, we show an application of this method for the analysis of functional tumour subregions and demonstrate that it is more effective than voxel clustering.

研究动机与目标

• 解决标准 SLIC 在生成不规则、临床上相关的区域（如肿瘤）内有意义的超体素时的局限性。
• 通过用超体素聚类替代体素级聚类，提升肿瘤亚区域分析中的空间正则化与抗噪能力。
• 实现在大规模肿瘤影像数据集中尺度不变、稳定且具有生物学可解释性的亚区域识别。
• 在 2D、3D 和 4D 医学影像中（尤其是灌注成像，如 DCE-MRI），证明 maskSLIC 优于 SLIC 和体素级聚类的优越性。
• 提供一种通用的医学影像区域分析方法，支持后续任务如功能亚区域表征与纵向追踪。

提出的方法

• 通过在用户定义的不规则掩码内使用基于距离变换的网格，修改 SLIC 的聚类中心初始化方式，确保聚类中心仅位于感兴趣区域内。
• 修改距离度量，包含空间、强度和色度（在 3D 中）分量，但将搜索空间限制在掩码内部，防止聚类中心溢出至背景区域。
• 采用区域生长方法，将每个体素分配给最近的聚类中心，同时通过掩码施加约束，确保超体素在空间上连续且局限于感兴趣区域。
• 将该方法应用于 2D、3D 和 4D 医学图像，包括 DCE-MRI，其中提取时间灌注参数（K^trans, k_ep, T1）并用于聚类。
• 将 maskSLIC 与超体素上的 k-means 聚类结合，以识别具有生物学差异的亚区域，相比标准体素级聚类更具优势。
• 利用灌注图的主成分分解引导超体素生成，增强对功能异质性的敏感性。

实验结果

研究问题

• RQ1 SLIC 能否被有效适配以在医学图像中不规则、非凸区域（如肿瘤）内生成超体素？
• RQ2 与标准 SLIC 或体素级聚类相比，maskSLIC 是否能生成更具空间规则性与生物学意义的亚区域？
• RQ3 在基准肿瘤分割任务中，maskSLIC 相较于 SLIC 的表现如何，特别是在可重复性与统计显著性方面？
• RQ4 maskSLIC 基于超体素聚类是否能比体素级聚类更可靠地检测出功能上不同的肿瘤亚区域（如高/低灌注）？
• RQ5 maskSLIC 在多大程度上提升了 4D DCE-MRI 中纵向肿瘤亚区域追踪的稳定性与可解释性？

主要发现

• maskSLIC 在 BRATS 2013 脑肿瘤挑战中显著优于标准 SLIC，p 值为 0.001，且在 20 次扫描中有 18 次表现更优。
• maskSLIC 生成了定义清晰、空间连续的超体素，并在 4D DCE-MRI 的时间点间保持一致，支持可靠的 3D 渲染与亚区域的纵向追踪。
• 在 maskSLIC 生成的超体素上进行聚类，消除了体素级 k-means 聚类中频繁出现的噪声异常簇（如 R0），从而得到更具生物学合理性的亚区域。
• maskSLIC 揭示了明显的灌注模式，如 K^trans 与 k_ep 的解耦（例如区域 R3 中 K^trans 高但 k_ep 低），表明功能异质性可通过体素级分析无法检测到。
• 该方法实现了随时间保持一致的亚区域识别，如坏死区域的扩展，且对运动或部分容积效应的敏感性极低。
• 使用距离变换进行掩码感知初始化提升了聚类中心定位的准确性，但相比标准 SLIC 增加了计算时间。