[論文レビュー] A Decoupled Uncertainty Model for MRI Segmentation Quality Estimation

Richard Shaw, Carole H. Sudre+3 more|arXiv (Cornell University)|Sep 6, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 38被引用数 4

ひとこと要約

本稿では、自己教師付きベイジアンディープラーニングフレームワーク内で非定分散ノイズモデルを用いた分離型不確実性モデルを提案し、タスク固有のMRIセグメンテーション品質を推定する。k-spaceアーティファクトを用いた訓練データの拡張により、不確実性が運動やRFスパイクなどの異なる要因に分離され、従来のSNRやCNRよりも優れた精度で、セグメンテーション精度を予測する、頑健でリアルタイムな品質推定が可能になる。

ABSTRACT

Quality control (QC) of MR images is essential to ensure that downstream analyses such as segmentation can be performed successfully. Currently, QC is predominantly performed visually and subjectively, at significant time and operator cost. We aim to automate the process using a probabilistic network that estimates segmentation uncertainty through a heteroscedastic noise model, providing a measure of task-specific quality. By augmenting training images with k-space artefacts, we propose a novel CNN architecture to decouple sources of uncertainty related to the task and different k-space artefacts in a self-supervised manner. This enables the prediction of separate uncertainties for different types of data degradation. While the uncertainty predictions reflect the presence and severity of artefacts, the network provides more robust and generalisable segmentation predictions given the quality of the data. We show that models trained with artefact augmentation provide informative measures of uncertainty on both simulated artefacts and problematic real-world images identified by human raters, both qualitatively and quantitatively in the form of error bars on volume measurements. Relating artefact uncertainty to segmentation Dice scores, we observe that our uncertainty predictions provide a better estimate of MRI quality from the point of view of the task (gray matter segmentation) compared to commonly used metrics of quality including signal-to-noise ratio (SNR) and contrast-to-noise ratio (CNR), hence providing a real-time quality metric indicative of segmentation quality.

研究の動機と目的

• MRIにおける主観的で時間がかかる視覚的品質管理の限界を克服し、タスク固有のパフォーマンスに基づく自動品質評価を実現すること。
• 不確実性をグローバルに推定するのではなく、運動やRFスパイクなどの明確なアーティファクトタイプごとに分離して推定する手法を開発し、的確な干渉を可能にすること。
• 合成されたk-spaceアーティファクトを用いた訓練により、実世界のデータ劣化を模倣することで、セグメンテーションのロバスト性と一般化性能を向上させること。
• 不確実性予測が、SNR や CNR といった従来の画像品質指標よりも、セグメンテーションの精度（Diceスコア）と相関が強いことを検証すること。

提案手法

• 教師-生徒型のCNNアーキテクチャを採用し、教師ネットワークが非定分散ノイズモデルを用いて不確実性推定を実行する。
• 訓練データに現実的なk-spaceアーティファクト（例：運動、RFスパイク）を追加することで、対応するクリアデータが不要な状態で多様な画像劣化を模擬する。
• アーティファクト固有の埋め込みを条件として不確実性をアーティファクトタイプごとに独立した成分に分離する。
• ベイジアンニューラルネットワークを用いてボクセルごとの不確実性を推定し、各アーティファクトタイプごとに分散を予測することで、タスク固有のリスクを反映する。
• 自己教師学習のアプローチを採用し、不確実性の真値を必要とせず、訓練中にモデルの予測分散から不確実性を学習する。
• 3D MRIボリュームを処理するため、パッチベースの推論戦略を採用し、境界アーティファクトは重複パッチの平均化により軽減する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、MRIアーティファクトが後続タスクのパフォーマンスに与える真正の影響を反映した形で、セグメンテーションの不確実性を推定できるか？
• RQ2 アーティファクトタイプごとに不確実性を分離することで、臨床的および研究的ワークフローにおける不確実性予測の解釈可能性と実用性が向上するか？
• RQ3 k-spaceアーティファクト拡張から得られる不確実性予測は、SNR や CNR といった標準的な画像品質指標を上回り、セグメンテーション精度をよりよく予測できるか？
• RQ4 訓練中に観測されなかった臨床的問題を引き起こすアーティファクトを含む実世界スキャンにおいて、不確実性推定はどれほど頑健か？
• RQ5 微調整なしで、未観測のアーティファクトタイプや実世界データに、どの程度一般化可能か？

主な発見

• 提案手法は、SNR や CNR よりもセグメンテーションのDiceスコアと強く相関する不確実性推定を生成し、タスク固有の品質の予測能が優れていることを示した。
• 分離型の不確実性予測は、運動とRFスパイクの区別を明確にし、それらが同時に存在する場合でも正しく局在化できた。
• 人間のレーティングで問題視された実世界スキャンにおいて、モデルの不確実性マップは明確にアーティファクト影響を受ける領域を強調しており、臨床的妥当性を確認した。
• モデルはシミュレートされたアーティファクトから実スキャンへの一般化が可能であり、不確実性予測が実際に発生するセグメンテーション誤差を反映していた。
• 推論中にリアルタイムな品質推定が可能であり、セグメンテーションボリュームの誤差範囲として不確実性が誤差バーとして表現された。
• 視覚的に類似したアーティファクト（例：ぼやけと運動）の区別には限界はあったが、モデルはドメイン間で転送可能であり、マルチクラスセグメンテーションタスクへのスケーラビリティを示した。