Application of machine learning and mean-shift clustering for efficient liver segmentation from CT images

Abstract

Nowadays, 3D computed tomography (CT) data is commonly employed to diagnose liver cancer or to examine liver condition. This work proposes a method that can quickly find a location of the biggest CT slice of the liver. We also extend this method to demonstrate that it can work as an efficient algorithm for liver segmentation. The proposed method is based on a U-Net, fully convolutional neural network, to roughly segment the liver and employs a mean-shift clustering algorithm to enhance liver localization accuracy. This addition of mean-shift clustering on histogram data after rough segmentation by U-Net prevents over-segmentation of the liver and significantly improves the accuracy of a method solely relying on a U-Net. A novel image-enhancement technique based on statistical thresholding is also introduced to further increase accuracy. This hybrid method processed each slice in 0.35 seconds on average (75 seconds per image) and its median accuracy measured in Dice similarity index in 5-fold cross-validation was 97%.

ทุกวันนี้มีการใช้ข้อมูลจากภาพเอกซ์เรย์คอมพิวเตอร์ (CT) แบบสามมิติ เพื่อวินิจฉัยโรคมะเร็งตับหรือตรวจสอบสภาพตับ งานนี้เสนอวิธีการที่สามารถค้นหาตำแหน่งของชิ้นส่วนตับที่ใหญ่ที่สุดในภาพเอกซ์เรย์คอมพิวเตอร์ได้อย่างรวดเร็ว นอกจากนี้เรายังขยายวิธีนี้เพื่อแสดงให้เห็นว่าเป็นอัลกอริทึมที่มีประสิทธิภาพสำหรับการแยกพื้นที่ตับ วิธีการที่นำเสนอนี้ใช้พื้นฐานของ U-Net ซึ่งเป็นโครงข่ายประสาทเทียมแบบเต็ม เพื่อแบ่งส่วนตับอย่างคร่าว ๆ และใช้อัลกอริธึมการแบบกลุ่มข้อมูลแบบย้ายค่าเฉลี่ย เพื่อเพิ่มความแม่นยำในการแยกพื้นที่ตับ โดยจัดกลุ่มค่าเฉลี่ยการเปลี่ยนแปลงบนข้อมูลฮิสโตแกรมหลังจากการแยกพื้นที่ตับในขั้นตอนของ U-Net ช่วยป้องกันการแบ่งส่วนเกินของตับและปรับปรุงความแม่นยำของวิธีการที่พึ่งพา U-Net เพียงอย่างเดียว นอกจากนี้ยังมีการแนะนำเทคนิคการเพิ่มประสิทธิภาพของภาพแบบนวนิยายบนพื้นฐานของการเพิ่มขีดความสามารถทางสถิติเพื่อเพิ่มความแม่นยำ วิธีไฮบริดนี้ประมวลผลแต่ละชิ้นในเวลา 0.35 วินาทีโดยเฉลี่ย (75 วินาทีต่อภาพ) และความแม่นยำของค่ามัธยฐานของการวัดในดัชนีความคล้ายคลึงกันในการตรวจสอบความถูกต้องแบบ 5 ครอสวาลิเดชั่น (5-fold cross-validation) อยู่ในระดับร้อยละ 97