[论文解读] Segmentation of Skeletal Muscle in Thigh Dixon MRI Based on Texture Analysis

Rafael Rodrigues, António Pinheiro|arXiv (Cornell University)|Apr 9, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 15被引用 6

一句话总结

本文提出了一种用于大腿Dixon MRI的自动化骨骼肌分割方法，通过使用多尺度纹理特征（方向梯度直方图HOG、小波系数及原始图像与LoG滤波图像的统计量）的AdaBoost分类实现。该方法实现了0.7623的平均Dice分数，表明纹理分析可实现稳健且泛化的肌肉分割，结合基于图谱的标注可提升解剖准确性。

ABSTRACT

Segmentation of skeletal muscles in Magnetic Resonance Images (MRI) is essential for the study of muscle physiology and diagnosis of muscular pathologies. However, manual segmentation of large MRI volumes is a time-consuming task. The state-of-the-art on algorithms for muscle segmentation in MRI is still not very extensive and is somewhat database-dependent. In this paper, an automated segmentation method based on AdaBoost classification of local texture features is presented. The texture descriptor consists of the Histogram of Oriented Gradients (HOG), Wavelet-based features, and a set of statistical measures computed from both the original and the Laplacian of Gaussian filtering of the grayscale MRI. The classifier performance suggests that texture analysis may be a helpful tool for designing a generalized and automated MRI muscle segmentation framework. Furthermore, an atlas-based approach to individual muscle segmentation is also described in this paper. The atlas is obtained by overlaying the muscle segmentation ground truth, provided by a radiologist, after image alignment using an appropriate affine transformation. Then, it is used to define the muscle labels upon the AdaBoost binary segmentation. The developed atlas method provides reasonable results when an accurate muscle tissue segmentation was obtained.

研究动机与目标

• 开发一种通用的自动化框架，用于3T Dixon MRI中人体大腿骨骼肌的分割。
• 探究基于纹理的特征在区分MRI中肌肉与其他软组织方面的有效性。
• 与手动方法相比，提高分割准确率并降低观察者间差异性。
• 整合基于图谱的标注策略，以增强AdaBoost分类器输出的解剖特异性。
• 评估图像纹理质量对分割性能及模型鲁棒性的影响。

提出的方法

• 从16×16非重叠图像块中提取纹理特征，包括HOG、小波分解（3层，54维描述符）以及原始图像与拉普拉斯高斯（LoG）滤波图像的统计量。
• 使用这些多尺度纹理描述符训练二值AdaBoost分类器，以区分肌肉与非肌肉组织。
• 通过仿射变换对专家手动分割结果进行对齐，构建图谱，并用于将解剖标签分配给AdaBoost输出结果。
• 通过仿射变换将测试图像配准至图谱空间，随后通过逆变换将标签返回原始MRI空间。
• 采用10折交叉验证评估性能，使用标准指标：召回率、精确率和Dice系数。
• 该方法结合局部纹理分析与全局解剖先验，以提高分割特异性并减少假阳性结果。

实验结果

研究问题

• RQ1 基于纹理的特征是否能有效区分相位反转Dixon MRI中骨骼肌与其他软组织？
• RQ2 图谱的整合在多大程度上提升了基于AdaBoost的肌肉分割的解剖准确性？
• RQ3 图像纹理质量对分割模型的召回率与精确率有何影响？
• RQ4 该方法在肌肉几何形态与组织分布各异的不同MRI体积中，其泛化能力如何？
• RQ5 局部纹理描述符与全局图谱先验的结合，是否能在复杂解剖区域中超越基于强度或纯图谱的分割方法？

主要发现

• 所提出的基于AdaBoost的分割方法在10个体积的MRI中实现了0.7623的平均Dice重叠系数，表明与真实标注具有高度一致性。
• 平均召回率为0.8150，平均精确率为0.7454，表明尽管存在中等水平的假阳性，仍能有效检测出真实的肌肉区域。
• 在肌肉组织分散或肌间脂肪含量较高的区域（尤其是关节附近）表现出良好的鲁棒性。
• AdaBoost输出中的假阳性可能对图谱变换造成偏差，导致即使召回率较高，肌肉区域仍被错误标注。
• 当真正阳性检测率下降时，横截面积较小的肌肉（如缝匠肌和股直肌）常被遗漏。
• 研究提示图像纹理质量与分割性能之间可能存在潜在关联，需进一步探究纹理质量度量指标。