[论文解读] Model-based Catheter Segmentation in MRI-images

André Mastmeyer, Guillaume Pernelle+6 more|arXiv (Cornell University)|May 18, 2017

Medical Image Segmentation Techniques参考文献 7被引用 9

一句话总结

该论文提出了一种用于MRI扫描中导管的混合模型-基于分割方法，结合机械角度弹簧模型与图像特征检测，实现了亚毫米级精度。通过使用患者特异性机械模型从导管尖端引导近端导管追踪，与仅依赖图像的方法相比，该方法将分割异常值减少了高达75%，实现了1.05 mm的中位误差和98%的识别准确率（误差≤2.88 mm）。

ABSTRACT

Accurate and reliable segmentation of catheters in MR-guided interventions remains a challenge, and a step of critical importance in clinical workflows. In this work, under reasonable assumptions, mechanical model based heuristics guide the segmentation process allows correct catheter identification rates greater than 98% (error 2.88 mm), and reduction in outliers to one-fourth compared to the state of the art. Given distal tips, searching towards the proximal ends of the catheters is guided by mechanical models that are estimated on a per-catheter basis. Their bending characteristics are used to constrain the image feature based candidate points. The final catheter trajectories are hybrid sequences of individual points, each derived from model and image features. We evaluate the method on a database of 10 patient MRI scans including 101 manually segmented catheters. The mean errors were 1.40 mm and the median errors were 1.05 mm. The number of outliers deviating more than 2 mm from the gold standard is 7, and the number of outliers deviating more than 3 mm from the gold standard is just 2.

研究动机与目标

• 为解决MRI引导介入中缺乏可靠自动导管分割工具的问题，目前该过程依赖耗时的手动分割。
• 通过减少分割误差和异常值，提高MRI引导导管手术的临床可行性。
• 开发一种结合机械建模与图像特征检测的方法，以实现在复杂MRI伪影中稳健的导管追踪。
• 在包含10例患者MRI扫描、共101根导管的多样化数据集上验证该方法。
• 证明混合模型-图像引导方法在精度和鲁棒性方面优于纯图像方法或仅依赖模型的方法。

提出的方法

• 该方法使用角度弹簧模型模拟导管的偏转，将导管视为由一系列通过角度弹簧连接的刚性段组成，其刚度为 $k_a = 2050\,\mu\text{Nm}$。
• 前向模型从固定基底（近端）计算偏转，而后向模型使用逆运动学从远端尖端估计位置和受力。
• 通过基于力和刚度的递归方程计算分段偏转角 $\alpha_i$、累积角 $\alpha_{i}^{sum}$ 和正交力 $F_i$。
• 算法从导管尖端执行圆锥形搜索，利用模型预测约束候选图像特征点。
• 采用混合策略结合基于模型的点与基于图像特征的点，通过一个权衡参数 $d_{tol}$ 控制影响；核心方法中使用 $d_{tol} = 1$ mm。
• 模型参数（如参考方向 $\vec{r}$ 和基底平面 $P$）从解剖标志物（如盆腔近距离治疗中的维生素E胶囊）中估计得出。

实验结果

研究问题

• RQ1 基于角度弹簧的机械模型是否能相比仅依赖图像的方法，提升MRI中导管分割的精度？
• RQ2 将模型预测与图像特征结合，对导管分割中的异常值减少有何影响？
• RQ3 在MRI中实现稳健导管追踪时，模型引导与图像特征检测之间最优平衡点是什么？
• RQ4 该方法是否能在不同MRI扫描协议和导管构型下保持高精度？
• RQ5 基于模型的引导是否能减少由虚假图像特征引起的不切实际的弯曲？

主要发现

• 混合方法（实验3）将Hausdorff距离大于3 mm的异常值数量从15例减少至2例，相比仅依赖图像的分割方法减少了六分之一。
• Hausdorff距离大于2 mm的异常值数量从15例减少至7例，减少了53%，且2.88 mm的阈值下异常值从2例增加至3例。
• 所有导管的中位Hausdorff距离为1.05 mm，均值为1.40 mm，标准差为1.15 mm。
• 该方法在误差≤2.88 mm的条件下实现了超过98%的导管识别率，显著优于当前最先进的异常值减少水平。
• Kruskal-Wallis检验证实三组实验间存在统计学上显著差异（$p < 0.001$），仅依赖模型和仅依赖图像的方法表现出较差的鲁棒性（标准差和四分位距较高）。
• 每根导管的分割时间在标准Intel i7 3 GHz CPU上仅为2秒，表明具备临床可行性。