[论文解读] Multi-Atlas Segmentation of Biomedical Images: A Survey

Juan Eugenio Iglesias, Mert R. Sabuncu|arXiv (Cornell University)|Dec 10, 2014

Medical Image Segmentation Techniques参考文献 173被引用 12

一句话总结

本综述全面概述了生物医学影像中的多图谱分割（MAS）技术，详细阐述了其从单图谱配准到先进标签融合技术的演变过程。该综述强调了MAS通过使用多个预先标记的图谱，在捕捉解剖变异方面表现出更优的准确性，同时探讨了计算成本问题以及机器学习、概率建模和纵向分析等未来发展方向。

ABSTRACT

Multi-atlas segmentation (MAS), first introduced and popularized by the pioneering work of Rohlfing, Brandt, Menzel and Maurer Jr (2004), Klein, Mensh, Ghosh, Tourville and Hirsch (2005), and Heckemann, Hajnal, Aljabar, Rueckert and Hammers (2006), is becoming one of the most widely-used and successful image segmentation techniques in biomedical applications. By manipulating and utilizing the entire dataset of "atlases" (training images that have been previously labeled, e.g., manually by an expert), rather than some model-based average representation, MAS has the flexibility to better capture anatomical variation, thus offering superior segmentation accuracy. This benefit, however, typically comes at a high computational cost. Recent advancements in computer hardware and image processing software have been instrumental in addressing this challenge and facilitated the wide adoption of MAS. Today, MAS has come a long way and the approach includes a wide array of sophisticated algorithms that employ ideas from machine learning, probabilistic modeling, optimization, and computer vision, among other fields. This paper presents a survey of published MAS algorithms and studies that have applied these methods to various biomedical problems. In writing this survey, we have three distinct aims. Our primary goal is to document how MAS was originally conceived, later evolved, and now relates to alternative methods. Second, this paper is intended to be a detailed reference of past research activity in MAS, which now spans over a decade (2003 - 2014) and entails novel methodological developments and application-specific solutions. Finally, our goal is to also present a perspective on the future of MAS, which, we believe, will be one of the dominant approaches in biomedical image segmentation.

研究动机与目标

• 记录多图谱分割（MAS）从早期基于配准的方法到现代标签融合技术的历史发展与概念演变。
• 作为2003年至2014年十余年MAS研究的详细参考，涵盖方法论创新与特定应用的解决方案。
• 从前瞻性视角审视MAS作为生物医学图像分割主导方法的潜力，强调其与机器学习、概率建模和纵向分析的整合。
• 识别关键挑战，如计算成本、成像协议的变异性，以及对标准化评估指标的需求。
• 倡导开发稳健、多模态且具备不确定性感知能力的MAS方法，以适用于大规模、多中心的临床研究。

提出的方法

• 系统性回顾与综合分析已发表的MAS算法与应用，重点关注标签融合策略、配准技术及概率建模。
• 将MAS方法分类为基于配准的方法、基于概率图谱的方法以及现代标签融合框架，特别关注融合技术如多数投票、加权投票及基于学习的融合。
• 整合机器学习与计算机视觉的进展，包括无监督特征学习和深度神经网络架构，以提升分割的鲁棒性与性能。
• 利用概率推理建模不确定性，处理缺失或异质性标签，并整合解剖学与成像物理领域的先验知识。
• 在不同条件下评估融合方法，包括不同成像模态、信号强度分布以及配准误差场景。
• 探索对多幅图像（如纵向扫描）进行联合分割，以提高检测细微解剖变化的准确性。

实验结果

研究问题

• RQ1 多图谱分割如何从早期的单图谱配准发展为现代的标签融合技术？
• RQ2 在标签融合方面有哪些关键的方法论进展，可提升在多样化成像条件下的分割准确性和鲁棒性？
• RQ3 机器学习与概率建模如何增强MAS在临床应用中的可靠性与不确定性量化能力？
• RQ4 当前MAS方法在非脑部成像（如腹部MRI）中的局限性是什么，如何加以解决？
• RQ5 多幅图像的联合分割在提升纵向生物医学图像分析准确性方面发挥何种作用？

主要发现

• MAS通过使用多个预先标记的图谱，显著优于单图谱方法，能够更好地捕捉解剖变异。
• 标签融合技术——尤其是基于学习和概率建模的方法——在分割准确性方面明显优于简单的多数投票方法。
• 概率建模可实现不确定性量化，从而提升临床应用中体积测量的可靠性。
• 深度学习与无监督特征学习的最新进展在提升MAS在多样化成像协议下的性能与鲁棒性方面展现出巨大潜力。
• 对成像变异性（如不同扫描仪、序列）的鲁棒性仍是挑战，但改进的融合算法与配准方法正在缩小差距。
• 对多幅新图像（尤其是纵向研究中的图像）进行联合分割，其结果比独立分割更准确，支持未来在追踪疾病进展方面的临床应用。