BACKGROUND The automatic glioma segmentation is of great significance for clinical practice. This study aims to propose an automatic method based on superpixel for glioma segmentation from the T2 weighted Magnetic Resonance Imaging. METHODS The proposed method mainly includes three steps. First, we propose an adaptive superpixel generation algorithm based on simple linear iterative clustering version with 0 parameter (ASLIC0). This algorithm can acquire a superpixel image with fewer superpixels and better fit the boundary of region of interest (ROI) by automatically selecting the optimal number of superpixels. Second, we compose a training set by calculating the statistical, texture, curvature and fractal features for each superpixel. Third, Support Vector Machine (SVM) is used to train classification model based on the features of the second step. RESULTS The experimental results on Multimodal Brain Tumor Image Segmentation Benchmark 2017 (BraTS2017) show that the proposed method has good segmentation performance. The average Dice, Hausdorff distance, sensitivity, and specificity for the segmented tumor against the ground truth are 0.8492, 3.4697 pixels, 81.47, and 99.64%, respectively. The proposed method shows good stability on high- and low-grade glioma samples. Comparative experimental results show that the proposed method has superior performance. CONCLUSIONS This provides a close match to expert delineation across all grades of glioma, leading to a fast and reproducible method of glioma segmentation.

中文翻译：

---

基于自适应超像素的神经胶质瘤自动分割。

背景技术脑胶质瘤自动分割对临床实践具有重要意义。这项研究的目的是从T2加权磁共振成像中提出一种基于超像素的神经胶质瘤分割自动方法。方法所提出的方法主要包括三个步骤。首先，我们提出了一种基于简单线性迭代聚类版本且参数为0（ASLIC0）的自适应超像素生成算法。该算法可通过自动选择最佳数量的超像素来获取具有较少超像素的超像素图像，并更好地拟合关注区域（ROI）的边界。其次，我们通过计算每个超像素的统计量，纹理，曲率和分形特征来组成训练集。第三，支持向量机（SVM）用于根据第二步的特征训练分类模型。结果多模态脑肿瘤图像分割基准2017（BraTS2017）的实验结果表明，该方法具有良好的分割性能。分割后的肿瘤相对于地面真相的平均骰子，Hausdorff距离，敏感性和特异性分别为0.8492、3.4697像素，81.47和99.64％。所提出的方法在高等级和低等级的神经胶质瘤样品上显示出良好的稳定性。对比实验结果表明，该方法具有较好的性能。结论这与所有等级的神经胶质瘤的专家描述非常匹配，从而导致了一种快速且可重复的神经胶质瘤分割方法。结果多模态脑肿瘤图像分割基准2017（BraTS2017）的实验结果表明，该方法具有良好的分割性能。分割后的肿瘤相对于地面真相的平均骰子，Hausdorff距离，敏感性和特异性分别为0.8492、3.4697像素，81.47和99.64％。所提出的方法在高等级和低等级的神经胶质瘤样品上显示出良好的稳定性。对比实验结果表明，该方法具有较好的性能。结论这与所有等级的神经胶质瘤的专家描述非常匹配，从而导致了一种快速且可重复的神经胶质瘤分割方法。结果多模态脑肿瘤图像分割基准2017（BraTS2017）的实验结果表明，该方法具有良好的分割性能。分割后的肿瘤相对于地面真相的平均骰子，Hausdorff距离，敏感性和特异性分别为0.8492、3.4697像素，81.47和99.64％。所提出的方法在高等级和低等级的神经胶质瘤样品上显示出良好的稳定性。对比实验结果表明，该方法具有较好的性能。结论这与所有等级的神经胶质瘤的专家描述非常匹配，从而导致了一种快速且可重复的神经胶质瘤分割方法。分割后的肿瘤相对于地面真相的特异性分别为0.8492、3.4697像素，81.47和99.64％。所提出的方法在高等级和低等级的神经胶质瘤样品上显示出良好的稳定性。对比实验结果表明，该方法具有较好的性能。结论这与所有等级的神经胶质瘤的专家描述非常匹配，从而导致了一种快速且可重复的神经胶质瘤分割方法。分割后的肿瘤相对于地面真相的特异性分别为0.8492、3.4697像素，81.47和99.64％。所提出的方法在高等级和低等级的神经胶质瘤样品上显示出良好的稳定性。对比实验结果表明，该方法具有较好的性能。结论这与所有等级的神经胶质瘤的专家描述非常匹配，从而导致了一种快速且可重复的神经胶质瘤分割方法。