Automatic Tumor Segmentation Method using Symmetry Analysis and Level Set Algorithm in MR Brain Image

대칭성 분석과 레벨셋을 이용한 자기공명 뇌영상의 자동 종양 영역 분할 방법

  • Received : 2011.06.16
  • Accepted : 2011.11.01
  • Published : 2011.10.30

Abstract

In this paper, we proposed the method to detect brain tumor region in MR images. Our method is composed of 3 parts, detection of tumor slice, detection of tumor region and tumor boundary detection. In the tumor slice detection step, a slice which contains tumor regions is distinguished using symmetric analysis in 3D brain volume. The tumor region detection step is the process to segment the tumor region in the slice distinguished as a tumor slice. And tumor region is finally detected, using spatial feature and symmetric analysis based on the cluster information. The process for detecting tumor slice and tumor region have advantages which are robust for noise and requires less computational time, using the knowledge of the brain tumor and cluster-based on symmetric analysis. And we use the level set method with fast marching algorithm to detect the tumor boundary. It is performed to find the tumor boundary for all other slices using the initial seeds derived from the previous or later slice until the tumor region is vanished. It requires less computational time because every procedure is not performed for all slices.

본 논문은 자기공명 뇌영상을 대상으로 뇌종양 영역을 자동으로 분할하기 위한 방법을 제안한다. 정상적인 뇌영상은 좌우로 대칭인 특징을 지니는 반면에 종양이 존재하는 뇌영상은 종양세포와 부종 및 괴사로 인해 비대칭적인 특징을 가진다. 본 논문에서는 이러한 대칭성을 뇌영상내에 종양영역의 존재 유무를 판별할 수 있는 기준으로 이용한다. 대칭성 분석을 위해서 뇌영역의 윤곽선 정보를 이용해 중심축을 생성하였으며 이는 사전정보를 이용하지 않고 영상의 자체 정보만을 해석해서 중심축을 추출할 수 있다는 점에서 기존의 영상 정합을 통해 해부학적 위치 정보를 추출하고 이를 이용하여 중심축을 찾는 방법과 구별된다. 자기공명 영상에서 정상뇌의 조직은 크게 3가지 클러스터로 분할되며 각 클러스터가 포함하는 영역은 백질과 회백질영역을 포함하는 뇌 실질영역, 뇌척수액(csf)영역, 두개골, 지방 및 뇌막 영역 등으로 나뉜다. 종양이 포함된 영상은 종양과 부종 및 괴사 영역이 추가적으로 존재하며 이는 클러스터링을 이용한 분할을 통해서 구분될 수 있다. 분할된 종양 영역의 중심점은 다음 슬라이스의 종양 영역의 경계를 검출하기 위한 레벨셋 알고리즘에 적용되어 전체 볼륨의 종양 영역의 경계선을 추출하기 위한 초기 시드로 이용된다. 본 논문에서는 3차원 볼륨의 영상(슬라이스)중에서 종양 영역이 존재하는 슬라이스의 종양 영역을 분할하여 이후의 슬라이스에서는 분할작업을 수행하지 않고 영역의 경계선만 추출한다. 자카드 지수와 처리 시간의 비교 분석을 통해 기존의 방법과 비슷한 성능과 빠른 속도로 종양 영역을 분할할 수 있다는 것을 보인다.

Keywords

References

  1. A.Robert, Noveline, Squire's fundamentals of radiology, Harvard University Press, 2004.
  2. G.Moonis, J.Liu, J.K.Udupa and D.B.Hackney, "Estimation of tumor volume with fuzzy-connectedness segmentation of MR images," American Journal of Neuroradiology, vol.23, pp.352 - 363, 2002.
  3. S.Dickson, B.Thomas, "Using neural networks to automatically detect brain tumours in MR images," International Journal of Neural Systems, vol.4, no.1, pp.91-99, 1997.
  4. M.C.Clark, L.O.Lawrence, D.B.Golgof, R.Velthuizen, F.R.Murtagh and M.S.Silbiger, "Automatic tumor segmentation using knowledge-based techniques," IEEE Transaction on Medical Imaging, vol.17, no.2, pp.187 - 201, 1998. https://doi.org/10.1109/42.700731
  5. K.Sikka, N.sinha, P.K.Sin and A.K.Mishra, "A fully automated algorithm under modified FCM framework for improved brain MR image segmentation," Magnetic Resonance Imaging, vol.27, pp.994-1004, 2009. https://doi.org/10.1016/j.mri.2009.01.024
  6. M.Prastawa, E.Bullitt, S.Ho and G.Gerig, "A brain tumor segmentation framework based on outlier detection," Proceeding of the Medical image computing and computer-assisted intervention, vol.8, no.3, pp.275 - 283, 2004.
  7. J.J.Corso, E.Sharon and A.Yuille, "Multilevel segmentation and integrated Bayesian model classification with an application to brain tumor segmentation," Proceeding of the Medical image computing and computer-assisted intervention, vol.4191, pp.790 - 798, 2006.
  8. W.Dou, S.Ruan, Y.Chen, D.Bloyet and J.M.Constans, "A framework of fuzzy information fusion for segmentation of brain tumor tissues on MR images," Image and Vision Computing, vol.25, pp.164 - 171, 2007. https://doi.org/10.1016/j.imavis.2006.01.025
  9. K.Sikka, N.Sinha, P.K.Sin and A.K.Mishra, "A fully automated algorithm under modified FCM framework for improved brain MR image segmentation," Magnetic Resonance Imaging, vol.27, pp.994-1004, 2009. https://doi.org/10.1016/j.mri.2009.01.024
  10. A.Lefohn, J.Cates and R.Whitaker, "GPU-based level sets for 3D brain tumor segmentation," technical report, University of Utah, 2003.
  11. Y.Zhu and H.Yang, "Computerized tumor boundary detection using a Hopfield neural network," IEEE Transaction on Medical Imaging, vol.16, no.1, pp.55-67, 1997. https://doi.org/10.1109/42.552055
  12. S.Ho, E.Bullitt and G.Gerig, "Level set evolution with region competition: automatic 3D segmentation of brain tumors," Proceeding of 16th International Conference on Pattern Recognition, pp.532 - 535, 2002.
  13. H.Khotanlou, O.Colliot, J.Atif and I.Bloch, "3D brain tumor segmentation in MRI using fuzzy classification, symmetry analysis and spatially constrained deformable models," Fuzzy sets and systems, vol.160, pp.1457-1473, 2009. https://doi.org/10.1016/j.fss.2008.11.016
  14. J.Talairach and P.Tiurnoux, Co-Planar stereotactic atlas of the human brain, 3-Dimensional Proportional System : An Approach to Cerebral lmaging, New York, Theme Medical Publishers, 1988.
  15. A.Tuzikov, O.Colliot and I.Bloch, "Evaluation of the symmetry plane in 3D MR brain images," Pattern Recognition Letters, vol.24, no.14, pp.2219 - 2233, 2003. https://doi.org/10.1016/S0167-8655(03)00049-7
  16. J.A.Setihan and A.Wiegmann, "Structural boundary design via level set and immersed interface method," Journal of Computational Physics, vol.163, no.2, pp. 489 - 528, 2000. https://doi.org/10.1006/jcph.2000.6581
  17. M.R.Kaus, S.K.Warfield, A.Nabavi, P.M.Black, F.A.Jolesz and R.Kikinis, Automated Segmentation of MRI of Brain Tumors, Radiology[online], vol.218, no.2, Available : http://www.spl.harvard.edu/Special:PubDB View?dspaceid=169(August.2010)