スパースフィールドアクティブモデルを使用したX線コンピューター断層撮影からの3次元肺腫瘍セグメンテーション

目的：肺腫瘍の手動セグメンテーションは、オブザーバーに依存して時間がかかりますが、放射線学と放射線腫瘍学のワークフローの重要な要素です。この研究の目的は、X線コンピューター断層撮影（CT）画像から肺転移腫瘍のセグメンテーションのための自動肺腫瘍測定ツールを生成して、再現性を改善し、腫瘍の境界をセグメント化するのに必要な時間を短縮することでした。 方法：著者は、形状制約付きのOTSUマルチサールド（SCOMT）およびスパースフィールドアクティブサーフェス（SFAS）アルゴリズムを使用して、胸部CT画像の体積画像分析のための自動肺腫瘍セグメンテーションアルゴリズムを開発しました。オブザーバーは腫瘍センターを選択する必要があり、その後SCOMTアルゴリズムは、平均分離、エッジ、部分、ローリング、分布、背景、形状、体積からなる総エネルギーを最小限に抑えるために、レベルセットSFAを使用して変形した初期表面を作成しました。滑らかさ、および曲率エネルギー。 結果：提案されたセグメンテーションアルゴリズムは、固形腫瘍（RECIST）、2次元（2D）世界保健機関（WHO）、および3D容量測定における1次元（1D）応答評価基準を使用して21の腫瘍を評価した手動セグメンテーションと比較されました。。線形回帰の適合度測定値（R（2）= 0.63、P <0.0001; R（2）= 0.87、P <0.0001;およびR（2）= 0.96、P <0.0001）、およびピアソン相関係数（R= 0.79、p <0.0001、p <0.98、p <0.0001）。観察者内部のクラス内相関係数（ICC）は、アルゴリズムの高い再現性（0.989-0.995、0.996-0.997、および0.999-0.999）および手動測定（0.975-0.993、0.985-0.993、および0.980-0.992）および0.980-0.992の高い測定値を実証しました。それぞれ3D測定。観察者内変動係数（CV％）は、アルゴリズム（3.09％-4.67％、4.85％-5.84％、および5.65％-5.88％）および手動オブザーバー（4.20％-6.61％、8.14％-9.57％）で低かった、および1D、2D、および3D測定の場合、それぞれ14.57％-21.61％）。 結論：著者らは、1D、2D、および3Dで肺転移腫瘍を測定するために、オペレーターが腫瘍を選択することのみを要求する自動セグメンテーションアルゴリズムを開発しました。アルゴリズムと手動測定は有意に相関していました。アルゴリズムのセグメンテーションには単一のシードポイントの選択が含まれるため、測定を行うために、観察者内変動性と時間の短縮時間をもたらしました。

PURPOSE: Manual segmentation of lung tumors is observer dependent and time-consuming but an important component of radiology and radiation oncology workflow. The objective of this study was to generate an automated lung tumor measurement tool for segmentation of pulmonary metastatic tumors from x-ray computed tomography (CT) images to improve reproducibility and decrease the time required to segment tumor boundaries. METHODS: The authors developed an automated lung tumor segmentation algorithm for volumetric image analysis of chest CT images using shape constrained Otsu multithresholding (SCOMT) and sparse field active surface (SFAS) algorithms. The observer was required to select the tumor center and the SCOMT algorithm subsequently created an initial surface that was deformed using level set SFAS to minimize the total energy consisting of mean separation, edge, partial volume, rolling, distribution, background, shape, volume, smoothness, and curvature energies. RESULTS: The proposed segmentation algorithm was compared to manual segmentation whereby 21 tumors were evaluated using one-dimensional (1D) response evaluation criteria in solid tumors (RECIST), two-dimensional (2D) World Health Organization (WHO), and 3D volume measurements. Linear regression goodness-of-fit measures (r(2) = 0.63, p < 0.0001; r(2) = 0.87, p < 0.0001; and r(2) = 0.96, p < 0.0001), and Pearson correlation coefficients (r = 0.79, p < 0.0001; r = 0.93, p < 0.0001; and r = 0.98, p < 0.0001) for 1D, 2D, and 3D measurements, respectively, showed significant correlations between manual and algorithm results. Intra-observer intraclass correlation coefficients (ICC) demonstrated high reproducibility for algorithm (0.989-0.995, 0.996-0.997, and 0.999-0.999) and manual measurements (0.975-0.993, 0.985-0.993, and 0.980-0.992) for 1D, 2D, and 3D measurements, respectively. The intra-observer coefficient of variation (CV%) was low for algorithm (3.09%-4.67%, 4.85%-5.84%, and 5.65%-5.88%) and manual observers (4.20%-6.61%, 8.14%-9.57%, and 14.57%-21.61%) for 1D, 2D, and 3D measurements, respectively. CONCLUSIONS: The authors developed an automated segmentation algorithm requiring only that the operator select the tumor to measure pulmonary metastatic tumors in 1D, 2D, and 3D. Algorithm and manual measurements were significantly correlated. Since the algorithm segmentation involves selection of a single seed point, it resulted in reduced intra-observer variability and decreased time, for making the measurements.