Optimal Parameter Search of Joint Label Fusion Algorithm for Automatic Segmentation of Prostate in MR Images = 전립선 자기공명영상의 자동 분할을 위한 공유레이블융합 알고리즘의 파라미터 최적화

다국어 초록 (Multilingual Abstract)

Purpose: In multi-atlas based segmentation, label fusion, which incorporates labels by weighting each atlas label, is a mandatory process. Therefore, numerous label fusion methods have been proposed to compute more accurate voting weights. Among them, the joint label fusion (JLF) method has been widely used for organ segmentation due to the advantage of compensating for dependent errors between atlases. However, the optimal JLF algorithm parameter set has not yet been explored, and even guidelines for setting it are insignificant. In this study, we investigate the feasibility of JLF algorithm for the prostate segmentation in MR images and suggest an optimal parameter set for automatic prostate segmentation. Our experimental results also provide a useful reference for setting parameters and atlas numbers in organ segmentation by JLF.

Methods: 20 healthy subjects participated in T2-weighted prostate MR imaging and a series of cross validation was conducted for all JLF parameter combinations. In each case, we rigidly registered the atlases to the target image. Then, each combination of JLF’s parameters ("r" _("p" _"xy" ), "r" _("p" _"z" ), "r" _("s" _xy ), "r" _("s" _"z" ), β) was applied to calculate voting weights for multi-atlas based segmentation. These segmentation results were evaluated by five validation metrics of the Prostate MR Image Segmentation (PROMISE12) challenge.

Results: The optimal parameters of JLF algorithm were "r" _("p" _"xy" )= 10, "r" _("p" _"z" )= 1, "r" _("s" _xy )= 3, "r" _("s" _"z" )= 1, and β = 3, and the segmentation results are as follows; DSC: 0.8495 ± 0.0392, RVD: 15.2353 ± 17.2350, aRVD: 18.8710 ± 13.1546, 95% HD: 7.2366 ± 1.8502 voxels, and ABD: 2.2107 ± 0.4972 voxels. As the number of voxels participating in the voting weight calculation and the number of referenced atlas are increased, the overall segmentation performance is improved. In addition, it was shown that JLF has an average tendency to over-segmentation of the prostate.

Conclusions: We suggest optimal JLF parameter sets from empirical analysis of segmentation results. The experiment shows the feasibility of the JLF for automatic prostate segmentation in MRI. Moreover, it also serves as a reference for setting appropriate parameters and atlas numbers in target organ segmentation.

국문 초록 (Abstract)

다중 아틀라스를 활용한 영역분할 방법은 타겟 영상에 대한 유사도를 기반으로 각 아틀라스의 가중치를 계산하여 레이블에 반영하고 취합하는 레이블 융합 과정을 수반한다. 그 중, 공유레이블융합 (Joint Label Fusion, JLF) 알고리즘은 아틀라스 간 존재하는 상호 의존적인 오류를 보완함으로써 성능향상을 이끌었다. 그러나 아직까지 영역분할 성능에 직접적인 영향을 미치는 공유레이블융합 알고리즘의 파라미터 값들은 파악되지 않았으며, 적절한 값 설정을 위한 가이드라인조차 마련되어 있지 않다. 우리는 이 연구를 통해 공유레이블융합 알고리즘을 활용한 전립선 자기공명영상의 자동 분할 가능성을 조사하고, 알고리즘의 각 파라미터 조합 들로부터 획득한 결과를 비교 ∙ 분석하여 전립선 분할을 위한 최적의 파라미터 세트를 제시한다.
실험은 총 20명의 정상인들에게서 획득한 T2 강조 자기공명영상으로부터 공유레이블융합 알고리즘 파라미터 조합들 각각에 대한 분할결과를 교차검증 하는 것으로 진행되었다. 각 교차검증 사례마다 순차적으로 전체 아틀라스 집합 중 한 개가 목표 영상이 되었고, 나머지들은 당해 사례에서의 목표 영상에 대한 아틀라스 집합으로 간주되었다. 아틀라스들은 목표 영상에 대해 강체 정합이 이루어졌으며 이후 공유레이블융합 알고리즘 파라미터의 조합 ("r" _("p" _"xy" ), "r" _("p" _"z" ), "r" _("s" _xy ), "r" _("s" _"z" ), β) 들로부터 계산된 가중치를 바탕으로 레이블 융합이 되었다. 파라미터 별 영역 분할 성능은 전립선 자기공명영상 분할 챌린지 (Prostate MR Image Segmentation Challenge, PROMISE12)의 다섯 가지 측정기준으로 평가하였다.
그 결과, 보다 많은 수의 복셀들이 아틀라스의 가중치 계산에 참여하고 보다 많은 수의 아틀라스가 활용될수록, 분할 성능이 향상되는 것을 확인할 수 있었다. 또한 공유레이블융합 알고리즘은 전립선 영역을 전체적으로 크게 분할하는 경향을 보였으며, 기저와 끝단 영역에 대한 분할 성능이 비교적 낮은 것으로 조사되었다. 본 연구를 통해 조사된 전립선 자기공명영상의 자동 분할에 대한 공유레이블융합 알고리즘 최적의 파라미터는 "r" _("p" _"xy" )= 10, "r" _("p" _"z" )= 1, "r" _("s" _xy )= 3, "r" _("s" _"z" )= 1, β = 3 이었다.
본 연구로부터 자기공명영상에서 전립선 영역의 자동 분할에 대한 공유레이블융합 알고리즘의 가능성을 확인할 수 있었다. 또한 다양한 조건에서의 실험 결과는 공유레이블융합 알고리즘을 이용한 목표 영역의 분할에 있어 적절한 파라미터 값과 아틀라스 수의 탐색에 도움이 될 것이다.

목차 (Table of Contents)

• Chapter 1. INTRODUCTION 1
• Chapter 2. MATERIAL & METHODS 7
• 2.1. Joint Label Fusion for Multi-atlas based segmentation 7
• A. Multi-atlas based segmentation 7
• B. Joint Label Fusion algorithm (JLF) 8
• C. Registration error refinement in JLF 11
• 2.2. Experiments 12
• 2.3. Evaluation method 14
• Chapter 3. RESULTS 17
• Chapter 4. DISCUSSION 26
• Chapter 5. CONCLUSION 30
• References 31
• 논문요약 (KOREAN ABSTRACT) 34