Hva er segmentering?

Segmentering er en prosess hvor man deler et bilde opp i flere biter ved å merke de ulike bitene med merkelapper/ «labels», hvor alle biter med samme merkelapp oppfattes å tilhøre samme struktur. Dette er vist med et eksempel i figuren under, hvor man har segmentert en hjernesvulst i to deler. Den kontrastladende bremmen i utkant av tumor er merket med rødt, og nekrosen innenfor er merket med blått. Disse merkelappene brukes til å definere forskjellige «Region of Interests» (ROIs), det vil si områder med samme merkelapp, som gjør det mulig å gjøre beregninger for enkelte deler av et bilde. Dette kan være volumberegninger av merkede strukturer slik som svulsten under, eller å kalkulere funksjonelle parametere, slik som diffusjonsparametere innenfor en ROI.

Segmenteringsprosessen kan være manuell, semi-automatisk eller automatisk. Manuell segmentering, hvor man tegner omrisset rundt det man ønsker å segmentere, regnes fortsatt av mange som gullstandard. Dette tar imidlertid mye tid, og er assosiert med en viss inter-rater variasjon, og man har derfor forsøkt å lage algoritmer for semi-automatisk og automatisk segmentering. Slike algoritmer baserer seg på ulike egenskaper i bildet, og kan deles inn i fem grupper:

 

Terskel-basert
Disse algoritmene tar utgangspunkt i intensiteten i voxlene i bildet, og klassifiserer dem i ulike grupper basert på en definert intensitets-terskel. Dette kan brukes på hele bildet, eller på deler av bildet.

Region-baserte
Region-baserte algoritmer finner homogene områder i bildet og definerer dem som samme region. En enkel form for regionsbasert segmentering kalles “region growing”. Den tar utgangspunkt i at brukeren klikker på en voxel innenfor den strukturen man ønsker å segmentere. Deretter evaluerer algoritmen voxlene rundt, og inkluderer pixler med lignende egenskaper i segmenteringen.

Kant-basert («edge-basert»)
Disse algoritmene baserer seg på kanter mellom ulike strukturer i bildet. Først finner algoritmen alle kanter i bildet, definert som overganger med store endringer i voxel intensitet. Deretter kobler algoritmen sammen disse kanter til meningsfulle strukturer, for eksempel ved å koble sammen grenser hvor strukturene er relativt like.

Andre avanserte metoder
Voxel-klassifiserings-metoder og modell baserte metoder er mer komplekse algoritmer, og en god beskrivelse av disse kan finnes i Gordillo, N., et al. (2013). "State of the art survey on MRI brain tumor segmentation." Magnetic Resonance Imaging 31(8): 1426-1438.

 

Trykk her for Guide for manuell segmentering av svulster i 3D slicer

 

Programvare for segmentering

Det finnes en rekke ulike programvarer for segmentering, som gir ulike muligheter når det kommer til valg av algoritmer og grad av manuell medvirkning. Valg av programvare vil basere seg på hvilke strukturer man ønsker å segmentere. En del av de nye og mer automatiske algoritmene for tumor segmentering krever for eksempel at man har flere ulike MR sekvenser av hver pasient. Det eneste av disse programvarene som foreløpig er godkjent for klinisk bruk er en betalings-versjon av OsiriX (FDA godkjent).

3D Slicer (Dette bruker vi til segmentering av hjernesvulster i våre forskningsprosjekter)

ITK Snap

Mango 

OsiriX (kun for Mac)

TurtleSeg 

BrainVoyager QX (egentlig ikke et segmenteringsverktøy, men kan brukes til semi-automatisk segmentering basert på terskel-intensiteter, krever mye manuell korrigering)

 

Kilder:

State of the art survey on MRI brain tumor segmentation
Gordillo, N., et al. (2013)
Magnetic Resonance Imaging 31(8): 1426-1438

Medical Image Segmentation: Methods and Applications in Functional Imaging. Handbook of Biomedical Image Analysis
Wong, K.-P. (2005)
J. Suri, D. Wilson and S. Laxminarayan, Springer US: 111-182