An efficient inflation method for segmentation of medical 3D images

Abstract

The diagnosis of certain spine pathologies, such as scoliosis, spondylolisthesis and vertebral fractures, are part of the daily clinical routine. Very frequently, MRI data are used to diagnose these kinds of pathologies in order to avoid exposing patients to harmful radiation, like X-ray.

Developing a segmentation system for an array of vertebrae is complex, so the method was first tested on brain tumors of types glioblastoma multiforme and pituitary adenoma. A small triangular surface mesh at the approximate center of the tumor is inflated towards the boundary using balloon force, keeping it approximately star-shaped. The boundary is implicitly binarized by the inflation rules, based on the minimum and maximum intensity from the initialization step. After the segmentation is finished, the tumor volume is calculated.

The spine segmentation system uses a bottom-up approach for detecting vertebral bodies based on just one manual initialization. A subdivision surface hierarchy is introduced as an efficient global-to-local smoothness constraint, which can be thought of as an internal force. Together with intensities, low-high (LH) values were initially used to ease boundary finding, but the boundary estimation evolved into a multi-feature combiner.

The final system utilizes a Viola-Jones detector to determine centers and approximate sizes of vertebral bodies. This gives the user a chance to manually correct detections, enables parallel feature calculation and segmentation, and is a basis for reliable diagnosis established at the end.

The system was evaluated on 26 lumbar datasets containing 234 reference vertebrae. Vertebra detection has 7.1% false negatives and 1.3% false positives. The average Dice coefficient to manual reference is 79.3% and mean distance error is 1.77 mm. No severe case of the three addressed illnesses was missed, and false alarms occurred rarely – 0% for scoliosis, 3.9% for spondylolisthesis and 2.6% for vertebral fractures.

The main advantages of this system are high speed, robust handling of a large variety of routine clinical images, and simple and minimal user interaction.

Die Diagnose von bestimmten Wirbelsäulenerkrankungen, wie z.B. Skoliose, Spondylolisthesis oder Wirbelbrüche, sind Teil des Klinikalltags. Häufig werden zur Diagnose dieser Art von Erkrankungen MRT-Daten benutzt, um zu vermeiden, dass Patienten schädlicher Strahlung, wie z.B. Röntgenstrahlung, ausgesetzt werden.

Die Entwicklung eines Segmentierungssystems für eine Reihe von Wirbeln ist komplex. Deshalb wurde die Methode zuerst für zwei Typen von Gehirntumoren, Glioblastoma multiforme und Hypophysenadenom, getestet. Ein kleines Dreiecksnetz wird am ungefähren Zentrum des Tumors durch Ballon-Forces expandiert, wobei seine Struktur näherungsweise sternförmig gehalten wird. Der Datensatz wird durch diese Kräfte basierend auf den Minimum- und Maximumintensitäten beim Initialisierungsschritt implizit in ein inneres und ein äußeres Segment unterteilt. Nachdem die Segmentierung abgeschlossen ist, wird das Volumen des Tumors berechnet.

Das Segmentierungssystem für die Wirbelsäule benutzt einen „Bottumup“- Ansatz zur Erkennung der Wirbel, der auf nur einer manuellen Initialisierung basiert. Als effiziente global-zu-lokal Glättungsbedingung wurde eine Oberflächenunterteilungshierarchie eingeführt, die man sich als interne Kraft vorstellen kann. Zu Beginn wurden Intensitätswerte zusammen mit „low-high“-Werten verwendet um die Ermittlung von Kanten zu erleichtern. Aber der Kantenschätzer entwickelte sich hin zu einem Multimerkmalsansatz.

Das endgültige System benutzt einen Viola-Jones-Detektor um das Zentrum und die ungefähre Größe von Wirbeln zu bestimmen. Dieser Ansatz gibt dem Nutzer die Möglichkeit die Erkennung manuell zu korrigieren und ermöglicht eine parallele Berechnung der Merkmale und Segmentierung und stellt eine Basis für eine zuverlässige Diagnose dar.

Das System wurde an 26 lumbalen Datensätzen evaluiert, welche 234 Referenzwirbel beinhalteten. Die Wirbelerkennung hat 7.1% „false positives“ und 1.3% „false negatives“. Der durchschnittliche Dice-Koeffizient im Vergleich zur Handsegmentierung ist 79.3% und der mittlere Abstandsfehler beträgt 1.77mm. Alle schlimmere Fälle der drei Erkrankungen wurde korrekt erkannt und Fehlalarme traten selten auf – 0% bei Skoliose, 3.9% bei Spondylolisthesis und 2.6% bei Wirbelfrakturen.

Die Hauptvorteile dieses Systems sind die hohe Geschwindigkeit, die robuste Handhabung von alltäglichen klinischen Aufnahmen und die einfache als auch minimale Benutzerinteraktion.