Published July 13, 2018 | Version v1
Publication Open

3D kidney segmentation from abdominal diffusion MRI using an appearance-guided deformable boundary

Creators

  • 1. University of Louisville
  • 2. Mansoura University
  • 3. Abu Dhabi University
  • 4. Assiut University

Description

A new technique for more accurate automatic segmentation of the kidney from its surrounding abdominal structures in diffusion-weighted magnetic resonance imaging (DW-MRI) is presented. This approach combines a new 3D probabilistic shape model of the kidney with a first-order appearance model and fourth-order spatial model of the diffusion-weighted signal intensity to guide the evolution of a 3D geometric deformable model. The probabilistic shape model was built from labeled training datasets to produce a spatially variant, independent random field of region labels. A Markov-Gibbs random field spatial model with up to fourth-order interactions was adequate to capture the inhomogeneity of renal tissues in the DW-MRI signal. A new analytical approach estimated the Gibbs potentials directly from the DW-MRI data to be segmented, in order that the segmentation procedure would be fully automatic. Finally, to better distinguish the kidney object from the surrounding tissues, marginal gray level distributions inside and outside of the deformable boundary were modeled with adaptive linear combinations of discrete Gaussians (first-order appearance model). The approach was tested on a cohort of 64 DW-MRI datasets with b-values ranging from 50 to 1000 s/mm2. The performance of the presented approach was evaluated using leave-one-subject-out cross validation and compared against three other well-known segmentation methods applied to the same DW-MRI data using the following evaluation metrics: 1) the Dice similarity coefficient (DSC); 2) the 95-percentile modified Hausdorff distance (MHD); and 3) the percentage kidney volume difference (PKVD). High performance of the new approach was confirmed by the high DSC (0.95±0.01), low MHD (3.9±0.76) mm, and low PKVD (9.5±2.2)% relative to manual segmentation by an MR expert (a board certified radiologist).

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

يتم تقديم تقنية جديدة لتقسيم تلقائي أكثر دقة للكلية من هياكل البطن المحيطة بها في التصوير بالرنين المغناطيسي المرجح بالانتشار (DW - MRI). يجمع هذا النهج بين نموذج الشكل الاحتمالي ثلاثي الأبعاد الجديد للكلية ونموذج المظهر من الدرجة الأولى والنموذج المكاني من الدرجة الرابعة لشدة الإشارة المرجحة بالانتشار لتوجيه تطور نموذج هندسي ثلاثي الأبعاد قابل للتشوه. تم بناء نموذج الشكل الاحتمالي من مجموعات بيانات التدريب المسماة لإنتاج حقل عشوائي متغير مكانيًا ومستقلًا من تسميات المنطقة. كان النموذج المكاني للمجال العشوائي لماركوف غيبس مع ما يصل إلى تفاعلات من الدرجة الرابعة كافياً لالتقاط عدم تجانس الأنسجة الكلوية في إشارة التصوير بالرنين المغناطيسي DW. قدر نهج تحليلي جديد إمكانات جيبس مباشرة من بيانات التصوير بالرنين المغناطيسي DW ليتم تجزئتها، بحيث يكون إجراء التجزئة تلقائيًا بالكامل. أخيرًا، للتمييز بشكل أفضل بين كائن الكلى والأنسجة المحيطة، تم نمذجة توزيعات المستوى الرمادي الهامشي داخل وخارج الحدود القابلة للتشوه بمجموعات خطية تكيفية من الغوسيين المنفصلين (نموذج المظهر من الدرجة الأولى). تم اختبار النهج على مجموعة من 64 مجموعة بيانات DW - MRI مع قيم b تتراوح من 50 إلى 1000 ثانية/مم 2. تم تقييم أداء النهج المقدم باستخدام التحقق المتبادل من ترك موضوع واحد ومقارنته بثلاث طرق تجزئة أخرى معروفة تم تطبيقها على نفس بيانات DW - MRI باستخدام مقاييس التقييم التالية: 1) معامل تشابه النرد (DSC) ؛ 2) مسافة هوسدورف المعدلة بنسبة 95 في المائة (MHD) ؛ و 3) النسبة المئوية لفرق حجم الكلى (PKVD). تم تأكيد الأداء العالي للنهج الجديد من خلال DSC العالي (0.95±0.01)، وانخفاض MHD (3.9±0.76) مم، وانخفاض PKVD (9.5±2.2 )٪ بالنسبة للتجزئة اليدوية من قبل خبير MR (أخصائي أشعة معتمد من مجلس الإدارة).

Translated Description (French)

Une nouvelle technique pour une segmentation automatique plus précise du rein à partir de ses structures abdominales environnantes en imagerie par résonance magnétique pondérée par diffusion (IRM-DW) est présentée. Cette approche combine un nouveau modèle de forme probabiliste 3D du rein avec un modèle d'apparence de premier ordre et un modèle spatial de quatrième ordre de l'intensité du signal pondérée par diffusion pour guider l'évolution d'un modèle déformable géométrique 3D. Le modèle de forme probabiliste a été construit à partir d'ensembles de données d'entraînement étiquetés pour produire un champ aléatoire spatialement variant et indépendant d'étiquettes de région. Un modèle spatial de champ aléatoire de Markov-Gibbs avec des interactions jusqu'au quatrième ordre était adéquat pour capturer l'inhomogénéité des tissus rénaux dans le signal DW-MRI. Une nouvelle approche analytique a estimé les potentiels de Gibbs directement à partir des données DW-MRI à segmenter, afin que la procédure de segmentation soit entièrement automatique. Enfin, pour mieux distinguer l'objet rénal des tissus environnants, les distributions marginales de niveaux de gris à l'intérieur et à l'extérieur de la limite déformable ont été modélisées avec des combinaisons linéaires adaptatives de Gaussiennes discrètes (modèle d'apparence de premier ordre). L'approche a été testée sur une cohorte de 64 ensembles de données DW-MRI avec des valeurs b allant de 50 à 1000 s/mm2. La performance de l'approche présentée a été évaluée à l'aide de la validation croisée Leave-One-Subject-Out et comparée à trois autres méthodes de segmentation bien connues appliquées aux mêmes données DW-MRI à l'aide des paramètres d'évaluation suivants : 1) le coefficient de similarité Dice (DSC) ; 2) la distance de Hausdorff modifiée à 95 centiles (MHD) ; et 3) la différence de volume rénal en pourcentage (PKVD). La haute performance de la nouvelle approche a été confirmée par le DSC élevé (0,95±0,01), le faible MHD (3,9±0,76) mm et le faible PKVD (9,5±2,2)% par rapport à la segmentation manuelle par un expert en RM (un radiologue certifié par le conseil d'administration).

Translated Description (Spanish)

Se presenta una nueva técnica para una segmentación automática más precisa del riñón de sus estructuras abdominales circundantes en imágenes de resonancia magnética ponderada por difusión (DW-MRI). Este enfoque combina un nuevo modelo de forma probabilística 3D del riñón con un modelo de apariencia de primer orden y un modelo espacial de cuarto orden de la intensidad de la señal ponderada por difusión para guiar la evolución de un modelo deformable geométrico 3D. El modelo de forma probabilística se construyó a partir de conjuntos de datos de entrenamiento etiquetados para producir un campo aleatorio espacialmente variante e independiente de etiquetas de región. Un modelo espacial de campo aleatorio de Markov-Gibbs con interacciones de hasta cuarto orden fue adecuado para capturar la falta de homogeneidad de los tejidos renales en la señal de DW-MRI. Un nuevo enfoque analítico estimó los potenciales de Gibbs directamente a partir de los datos de DW-MRI a segmentar, con el fin de que el procedimiento de segmentación fuera completamente automático. Finalmente, para distinguir mejor el objeto renal de los tejidos circundantes, se modelaron distribuciones marginales de nivel de gris dentro y fuera del límite deformable con combinaciones lineales adaptativas de gaussianas discretas (modelo de apariencia de primer orden). El enfoque se probó en una cohorte de 64 conjuntos de datos de DW-MRI con valores b que oscilaban entre 50 y 1000 s/mm2. El rendimiento del enfoque presentado se evaluó utilizando la validación cruzada de dejar un sujeto fuera y se comparó con otros tres métodos de segmentación bien conocidos aplicados a los mismos datos de DW-MRI utilizando las siguientes métricas de evaluación: 1) el coeficiente de similitud de dados (DSC); 2) la distancia de Hausdorff modificada por el percentil 95 (MHD); y 3) el porcentaje de diferencia de volumen renal (PKVD). El alto rendimiento del nuevo enfoque fue confirmado por el alto DSC (0.95±0.01), bajo MHD (3.9±0.76) mm y bajo PKVD (9.5±2.2)% en relación con la segmentación manual por un experto en MR (un radiólogo certificado por la junta).

Files

journal.pone.0200082&type=printable.pdf

Files (5.5 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:9d0d33aa60940b6212219edf9d1ec313
5.5 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
تقسيم الكلى ثلاثي الأبعاد من التصوير بالرنين المغناطيسي لانتشار البطن باستخدام حدود قابلة للتشوه موجهة للمظهر
Translated title (French)
Segmentation rénale 3D à partir d'une IRM de diffusion abdominale utilisant une limite déformable guidée par l'apparence
Translated title (Spanish)
Segmentación renal 3D a partir de resonancia magnética de difusión abdominal utilizando un límite deformable guiado por la apariencia

Identifiers

Other
https://openalex.org/W2884235242
DOI
10.1371/journal.pone.0200082

Is supplement to
https://openalex.org/W4363650189 (Other)
https://openalex.org/W4319792695 (Other)
https://openalex.org/W4315491877 (Other)
https://openalex.org/W4287691568 (Other)
https://openalex.org/W4285327226 (Other)
https://openalex.org/W3188463548 (Other)
https://openalex.org/W3047746737 (Other)
https://openalex.org/W3007126806 (Other)
https://openalex.org/W2769435486 (Other)
https://openalex.org/W2322974909 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Egypt

References

  • https://openalex.org/W116922145
  • https://openalex.org/W1511964238
  • https://openalex.org/W1554698203
  • https://openalex.org/W1567641598
  • https://openalex.org/W1584247442
  • https://openalex.org/W1780017716
  • https://openalex.org/W1824888789
  • https://openalex.org/W1875387157
  • https://openalex.org/W1972829195
  • https://openalex.org/W1983384519
  • https://openalex.org/W1987869189
  • https://openalex.org/W1989117065
  • https://openalex.org/W1993145491
  • https://openalex.org/W2001261336
  • https://openalex.org/W2005888349
  • https://openalex.org/W2011674921
  • https://openalex.org/W2015039448
  • https://openalex.org/W2036794775
  • https://openalex.org/W2047568922
  • https://openalex.org/W2049516470
  • https://openalex.org/W2050809322
  • https://openalex.org/W2053588653
  • https://openalex.org/W2053947165
  • https://openalex.org/W2063250103
  • https://openalex.org/W2115384210
  • https://openalex.org/W2116040950
  • https://openalex.org/W2116350918
  • https://openalex.org/W2117217359
  • https://openalex.org/W2117340355
  • https://openalex.org/W2119300483
  • https://openalex.org/W2129186920
  • https://openalex.org/W2131191043
  • https://openalex.org/W2139271254
  • https://openalex.org/W2144751639
  • https://openalex.org/W2146713759
  • https://openalex.org/W2152157174
  • https://openalex.org/W2157448679
  • https://openalex.org/W2162888310
  • https://openalex.org/W2167338900
  • https://openalex.org/W2171380538
  • https://openalex.org/W2269243381
  • https://openalex.org/W2295354706
  • https://openalex.org/W2298278063
  • https://openalex.org/W2402535418
  • https://openalex.org/W2556818656
  • https://openalex.org/W2605205186