[論文レビュー] BayeSeg: Bayesian Modeling for Medical Image Segmentation with Interpretable Generalizability

Shangqi Gao, Hangqi Zhou+2 more|arXiv (Cornell University)|Mar 3, 2023

Domain Adaptation and Few-Shot Learning被引用数 4

ひとこと要約

BayeSegは、階層ベイズ的事前分布を用いて、医用画像をドメイン不変の形状とドメイン固有の外観成分に分解する深層ベイズセグメンテーションフレームワークを提案する。これにより、解釈可能で一般化可能なセグメンテーションが可能となる。ラベル統計を変分推論によりモデル化することで、クロスシーケンス、クロスモダリティ、クロスサイトの分布シフト下でも、プロスタートおよび心臓MRIセグメンテーションで最先端の一般化性能を達成した。

ABSTRACT

Due to the cross-domain distribution shift aroused from diverse medical imaging systems, many deep learning segmentation methods fail to perform well on unseen data, which limits their real-world applicability. Recent works have shown the benefits of extracting domain-invariant representations on domain generalization. However, the interpretability of domain-invariant features remains a great challenge. To address this problem, we propose an interpretable Bayesian framework (BayeSeg) through Bayesian modeling of image and label statistics to enhance model generalizability for medical image segmentation. Specifically, we first decompose an image into a spatial-correlated variable and a spatial-variant variable, assigning hierarchical Bayesian priors to explicitly force them to model the domain-stable shape and domain-specific appearance information respectively. Then, we model the segmentation as a locally smooth variable only related to the shape. Finally, we develop a variational Bayesian framework to infer the posterior distributions of these explainable variables. The framework is implemented with neural networks, and thus is referred to as deep Bayesian segmentation. Quantitative and qualitative experimental results on prostate segmentation and cardiac segmentation tasks have shown the effectiveness of our proposed method. Moreover, we investigated the interpretability of BayeSeg by explaining the posteriors and analyzed certain factors that affect the generalization ability through further ablation studies. Our code will be released via https://zmiclab.github.io/projects.html, once the manuscript is accepted for publication.

研究の動機と目的

• 異なる画像シーケンス、モダリティ、施設間での医用画像セグメンテーションにおける分布シフトの課題に対処すること。
• ドメイン固有のデータ増強や大規模なラベル付きデータセットに依存せずに、未観測ドメインでのモデル一般化を向上させること。
• 統計的事前分布を用いて解剖学的形状をドメイン不変要因として明示的にモデル化することで、解釈性を向上させること。
• 不確実性推定と因果関係に配慮した表現学習を可能にする、画像とラベルの統計的モデリングフレームワークを構築すること。
• 事後分布の解釈を通じて説明可能なセグメンテーション予測を提供することで、臨床的信頼性と規制適合性を高めること。

提案手法

• 医用画像を2つの潜在変数に分解する：空間的に相関する形状変数（ドメイン不変）と空間的に変動する外観変数（ドメイン固有）。
• 形状および外観成分に階層ベイズ的事前分布を割り当て、形状がドメイン間で安定した解剖学的構造を捉えるように制約する。
• セグメンテーションマスクを形状変数の局所的に滑らかな関数としてモデル化し、空間的一致性と解釈可能性を確保する。
• ガウスマルコフ確率的フィールドに基づく生成プロセスを用いて、画像、外観、形状、セグメンテーションラベルの上に結合確率モデルを定式化する。
• ニューラルネットワークを用いた変分ベイズフレームワークによる事後分布推論を実装し、エンドツーエンド学習と不確実性評価を可能にする。
• t-SNE可視化とアブレーションスタディを用いて、学習された形状表現のドメイン不変性と一般化への影響を検証する。

実験結果

リサーチクエスチョン

• RQ1 形状をドメイン不変要因として明示的に統計モデル化することで、クロスドメイン医用画像セグメンテーションにおける一般化性能が向上するか？
• RQ2 画像とラベル統計の階層ベイズ的事前分布モデリングが、解釈性と分布シフトに対するロバストネスをどのように向上させるか？
• RQ3 外観と形状の成分を分離することで、標準的なディープラーニングベースラインと比較して一般化性能がどの程度向上するか？
• RQ4 形状および外観成分の事後分布を意味的に解釈可能にし、モデル予測の説明に役立てられるか？
• RQ5 解剖学的関連の有無にかかわらず、形状ベースのセグメンテーションの一般化性能に影響を与える要因（例：解剖学的関連シフト vs. 解剖学的独立シフト）は何か？

主な発見

• BayeSegは、LGEシーケンス（ソース）で80.9 ± 6.8%のDiceスコア、T2シーケンス（ターゲット）で79.4 ± 10.2%のDiceスコアを達成し、クロスシーケンス一般化において、すべてのアブレーションベースラインを上回った。
• T2シーケンスにおける性能は79.4 ± 10.2%（Dice）であり、アブレーション#6の79.1 ± 10.9%を上回り、画像とラベルの統合モデリングおよび明示的な形状事前分布の有効性を確認した。
• t-SNE可視化から、BayeSegの形状表現は、LGEとT2シーケンス間で、生の画像特徴と比較して顕著に低いドメインシフトを示した。
• アブレーションスタディにより、画像とラベル統計の統合モデリングが一般化性能を向上させることを確認した。形状事前分布やラベルスムージングを省いたバリアントと比較して、完全なモデルが優れた性能を示した。
• 事後分布の解釈から、形状成分はドメイン間で安定しており、外観成分はモダリティ固有の変化を捉えていた。
• 強い形状不変性にもかかわらず、T2での最悪成績は、高い解剖学的関連シフトに起因しており、現在の形状モデリングでは解剖学的可変性を完全に除去できていないことが示唆された。