[論文レビュー] Deep Learning with Uncertainty Quantification for Predicting the Segmentation Dice Coefficient of Prostate Cancer Biopsy Images

Audrey Xie, Elfatimi, Elhoucine+2 more|arXiv (Cornell University)|Aug 31, 2021

AI in cancer detection参考文献 11被引用数 6

ひとこと要約

本研究では、プロスタートバイオプシー画像のセグメンテーションにおけるDice係数を予測するために、ベイジアンVGG-UNetにおけるモンテカルロドロップアウト（MCD）を用いた新しい不確実性評価フレームワークを提案する。腫瘍、非腫瘍、非組織領域ごとの不確実性を計算し、これらの不確実性を特徴量として線形モデルを学習させることで、画像全体の不確実性のみを用いる場合に比べ、低いRMSEで高い精度でセグメンテーション性能を予測することができ、優れた性能を示した。

ABSTRACT

Deep learning models (DLMs) can achieve state-of-the-art performance in histopathology image segmentation and classification, but have limited deployment potential in real-world clinical settings. Uncertainty estimates of DLMs can increase trust by identifying predictions and images that need further review. Dice scores and coefficients (Dice) are benchmarks for evaluation of image segmentation performance, but are usually not evaluated with DLM uncertainty quantification. This study reports DLMs trained with uncertainty estimations, using randomly initialized weights and Monte Carlo dropout, to segment tumors from microscopic Hematoxylin and Eosin dye stained prostate core biopsy histology RGB images. Image-level maps showed significant correlation (Spearman's rank, p < 0.05) between overall and specific prostate tissue image sub-region uncertainties with model performance estimations by Dice. This study reports that linear models, which can predict Dice segmentation scores from multiple clinical sub-region-based uncertainties of prostate cancer, can serve as a more comprehensive performance evaluation metric without loss in predictive capability of DLMs, with a low root mean square error.

研究の動機と目的

• 深層学習モデルの医療画像セグメンテーションにおける臨床的信頼性を高めるために、予測の不確実性を定量化すること。
• プロスタートバイオプシー画像において、領域特異的な不確実性推定値がセグメンテーション性能（Dice係数）と相関しているかどうかを調査すること。
• 単一のMCDに基づくモデルから得られる不確実性マップのみを用いて、計算効率の良いDiceスコア予測手法を開発すること。
• 画像全体の不確実性のみを用いる場合に比べ、複数の領域ベース不確実性を組み合わせることでDice予測精度が向上するかどうかを評価すること。
• 不確実性に基づく性能推定を用いて、専門家レビューを要する高リスクのセグメンテーション領域を自動で同定可能とする仕組みを提供すること。

提案手法

• 244枚のH&E染色プロスタートコア生検画像を用いて、モンテカルロドロップアウト（MCD）を適用したベイジアンVGG-UNetを訓練し、ピクセル単位の不確実性マップを生成した。
• 正例マスクを用いて、臨床的ROIとして3つの領域を定義した：腫瘍（Gleason 3–5）、非腫瘍組織（Gleason 1–2）、非組織ピクセル。
• MCD不確実性マップとROIマスクを要素ごとの乗算により領域特異的な不確実性マップを計算し、各領域ごとの平均不確実性値を抽出した。
• 線形回帰モデルを訓練し、MCDモデルのDice係数を、腫瘍、非腫瘍、非組織領域の不確実性を入力特徴量として用いて予測した。
• 交差検証を5分割で実施し、予測マスクと正例マスクのインターセクションオーバーユニオン（IoU）を用いてDiceスコアを算出した。
• 新規なアルゴリズム（アルゴリズム1）を設計し、領域ベース不確実性を体系的に抽出・集約・モデリングすることで、Dice予測を実現した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルが生成する領域特異的不確実性推定値は、プロスタートバイオプシー画像における実際のセグメンテーション性能（Dice係数）と相関しているか？
• RQ2 腫瘍、非腫瘍、非組織領域の複数の領域ベース不確実性を組み合わせることで、画像全体の不確実性のみを用いる場合に比べ、Dice予測精度が向上するか？
• RQ3 セグメンテーションモデルを再訓練せずに、不確実性特徴量に基づいて学習された線形モデルが、高い精度と低いRMSEでDiceスコアを予測できるか？
• RQ4 MCDによって生成された不確実性マップは、特に腫瘍領域において、セグメンテーション誤差と空間的に一致するか？
• RQ5 MCDによる不確実性評価は、医療画像セグメンテーションにおける性能推定において、完全なベイジアン推論の代替手段として実用的で低コストな手法と見なせるか？

主な発見

• MCDモデルはDice係数0.8938を達成し、真正陽性率0.8382、偽陽性率0.0279を示し、強力なセグメンテーション性能を示した。
• スピアマン順位相関係数を用いた分析で、全3つのROIについて、領域特異的不確実性とDiceスコアの間に統計的に有意な相関（p < 0.05）が確認された。
• 領域ベース不確実性を特徴量として学習した線形モデルは、高い精度でDiceスコアを予測し、画像全体の不確実性のみを用いるモデルに比べ、低いルート平均二乗誤差（RMSE）を達成した。
• 画像全体の不確実性マップは、腫瘍境界付近や複雑な組織構造付近で、セグメンテーション誤差と視覚的に一致した。
• 腫瘍領域と非腫瘍領域の不確実性を組み合わせた場合が、最も精度の高いDice予測を達成し、単一領域または画像全体の不確実性を用いるアプローチを上回った。
• 提案手法により、再訓練を伴わず、効率的な後処理による性能推定が可能となり、臨床意思決定を支援するものとなった。