[论文解读] Semi-Automatic Algorithm for Breast MRI Lesion Segmentation Using Marker-Controlled Watershed Transformation

Sulaiman Vesal, Andres Diaz‐Pinto+4 more|arXiv (Cornell University)|Dec 14, 2017

AI in cancer detection参考文献 10被引用 3

一句话总结

本文提出了一种半自动的标记控制分水岭变换（MCWT）方法，用于乳腺MRI病灶分割，利用放射科医生定义的感兴趣区域（ROI）中亮度最高的像素作为标记，以提高精度。该方法在106个病灶上实现了平均Dice系数0.7808 ± 0.1729和Jaccard指数0.6704 ± 0.2167，表现出对良性和恶性病例均具有鲁棒的性能，且人工干预极少。

ABSTRACT

Magnetic resonance imaging (MRI) is an effective imaging modality for identifying and localizing breast lesions in women. Accurate and precise lesion segmentation using a computer-aided-diagnosis (CAD) system, is a crucial step in evaluating tumor volume and in the quantification of tumor characteristics. However, this is a challenging task, since breast lesions have sophisticated shape, topological structure, and high variance in their intensity distribution across patients. In this paper, we propose a novel marker-controlled watershed transformation-based approach, which uses the brightest pixels in a region of interest (determined by experts) as markers to overcome this challenge, and accurately segment lesions in breast MRI. The proposed approach was evaluated on 106 lesions, which includes 64 malignant and 42 benign cases. Segmentation results were quantified by comparison with ground truth labels, using the Dice similarity coefficient (DSC) and Jaccard index (JI) metrics. The proposed method achieved an average Dice coefficient of 0.7808$\pm$0.1729 and Jaccard index of 0.6704$\pm$0.2167. These results illustrate that the proposed method shows promise for future work related to the segmentation and classification of benign and malignant breast lesions.

研究动机与目标

• 解决复杂形状、可变强度分布和拓扑复杂性导致的乳腺MRI病灶准确且鲁棒的分割挑战。
• 通过采用简单、基于强度的标记选择策略，减少基于分水岭的分割中的过度分割问题。
• 开发一种人工干预极少但保持高分割精度的方法，以适用于计算机辅助诊断（CAD）系统。
• 在包含良性和恶性病例的106个乳腺MRI病灶上，评估所提出的MCWT方法的性能。

提出的方法

• 该方法对减影图像应用对比度受限自适应直方图均衡化（CLAHE），以增强图像对比度。
• 由放射科医生手动在病灶周围定义感兴趣区域（ROI），随后从中选取最亮的n个像素作为内部标记。
• 在梯度幅值图像上应用分水岭变换，使用选定的明亮像素作为内部标记，ROI边界作为外部标记。
• 通过交叉验证，利用Dice系数和Jaccard指数确定最优标记数量（n=45）。
• 从分水岭输出生成二值分割掩膜，区域根据与标记的接近程度进行标记。
• 使用Dice相似系数（DSC）和Jaccard指数（JI）与专家手动分割结果对比，对方法进行评估。

实验结果

研究问题

• RQ1 基于强度的简单标记选择策略是否能提高基于分水岭的乳腺MRI病灶分割在鲁棒性和准确性方面的表现？
• RQ2 标记数量如何影响不同病灶类型在DSC和JCI方面的分割性能？
• RQ3 所提出的MCWT方法是否能在形状和强度分布各异的良性和恶性病灶上实现可靠的分割？
• RQ4 与传统分水岭方法相比，该方法在多大程度上减少了过度分割？
• RQ5 该方法是否可作为CAD系统中后续病灶分类的有效预处理步骤？

主要发现

• 所提出的MCWT方法在106个病灶上实现了平均Dice相似系数（DSC）为0.7808 ± 0.1729，表明与真实分割结果有较强的重叠。
• 平均Jaccard指数（JI）为0.6704 ± 0.2167，反映出自动分割与手动分割之间具有良好的一致性。
• 最优标记数量被确定为45个，该数值在分割精度与过度分割控制之间实现了良好平衡。
• 该方法在中大型病灶上表现良好，边界检测准确，边缘误差极少。
• 对于存在多个不连续病灶的情况，由于病灶与正常组织之间存在强度重叠，尤其在ROI较大时，方法表现受限。
• 与依赖复杂特征（如模板匹配或高斯混合模型）的传统基于标记的方法相比，该方法展现出更强的鲁棒性和简洁性。