[论文解读] Unsupervised Segmentation Algorithms' Implementation in ITK for Tissue Classification via Human Head MRI Scans

Shadman Sakib, Md. Abu Bakr Siddique|arXiv (Cornell University)|Feb 26, 2019

Medical Image Segmentation Techniques参考文献 14被引用 4

一句话总结

本文在医学影像处理工具包（ITK）中实现并评估了三种无监督分割算法——Otsu阈值法、贝叶斯分类与带高斯平滑的贝叶斯分类——用于人体头部MRI扫描的组织分类。基于五组T1加权MRI数据集，研究结果表明，带高斯平滑的贝叶斯分类在白质、灰质、脑脊液及背景组织的分割中表现最准确，其结果在一致性和解剖学保真度方面均优于其他方法。

ABSTRACT

Tissue classification is one of the significant tasks in the field of biomedical image analysis. Magnetic Resonance Imaging (MRI) is of great importance in tissue classification especially in the areas of brain tissue classification which is able to recognize anatomical areas of interest such as surgical planning, monitoring therapy, clinical drug trials, image registration, stereotactic neurosurgery, radiotherapy etc. The task of this paper is to implement different unsupervised classification algorithms in ITK and perform tissue classification (white matter, gray matter, cerebrospinal fluid (CSF) and background of the human brain). For this purpose, 5 grayscale head MRI scans are provided. In order of classifying brain tissues, three algorithms are used. These are: Otsu thresholding, Bayesian classification and Bayesian classification with Gaussian smoothing. The obtained classification results are analyzed in the results and discussion section.

研究动机与目标

• 在医学图像分析中开发并集成无监督分割算法至Insight Toolkit（ITK）中。
• 利用无监督学习对T1加权MRI扫描中的四种脑组织类型——白质、灰质、脑脊液（CSF）和背景——进行分类。
• 比较Otsu阈值法、标准贝叶斯分类与带高斯平滑的贝叶斯分类在人类脑组织分割中的性能表现。
• 在无真实标签的临床MRI数据上，评估这些方法的鲁棒性与准确性。

提出的方法

• 本研究使用五组T1加权人体头部MRI扫描作为无监督组织分类的输入数据。
• 应用Otsu阈值法，基于图像直方图分布自动确定组织分离的最优强度阈值。
• 通过从图像强度统计中估计的类条件概率密度函数，实现贝叶斯分类。
• 在贝叶斯分类前，对输入MRI数据应用高斯平滑，以降低噪声并提高类别可分性。
• 通过视觉检查和组织分布、空间一致性等定量分析，对分割结果进行评估。
• 所有算法均在ITK中实现，利用其C++框架实现高效且可复现的生物医学图像处理。

实验结果

研究问题

• RQ1 无监督分割算法在人体头部MRI扫描中对白质、灰质、脑脊液和背景的分类准确度如何？
• RQ2 高斯平滑对贝叶斯分类在组织分割中的性能有何影响？
• RQ3 Otsu阈值法、标准贝叶斯分类与平滑贝叶斯分类在解剖学准确性与抗噪能力方面如何比较？
• RQ4 ITK中的无监督方法是否能在无真实标签的情况下产生可靠且可复现的组织分类结果？

主要发现

• 带高斯平滑的贝叶斯分类产生了最符合解剖学特征的分割结果，白质、灰质与脑脊液之间的边界更加清晰。
• Otsu阈值法效果有限，因组织类别间强度分布重叠严重，导致分割结果碎片化且不准确。
• 标准贝叶斯分类优于Otsu法，但仍对MRI扫描中的噪声和强度不均匀性敏感。
• 引入高斯平滑显著提升了组织分类的一致性与空间连贯性，尤其在低对比度区域或部分容积效应明显的区域表现更优。