[論文レビュー] Joint Segmentation and Uncertainty Visualization of Retinal Layers in Optical Coherence Tomography Images using Bayesian Deep Learning

Suman Sedai, Bhavna Antony+2 more|arXiv (Cornell University)|Sep 12, 2018

Retinal Imaging and Analysis参考文献 18被引用数 4

ひとこと要約

本稿では、OCT画像における網膜層のセグメンテーションとピクセル単位の不確実性評価を統合するベイジアン完全畳み込みDenseNet（BFC-DN）を提案する。ドロップアウトを用いたバリエーション推論によりエピステミック不確実性とアレアトリック不確実性を統合し、クラスウェイト付きベイジアン損失関数を適用することで、最先端のセグメンテーション精度を達成するとともに、ノイズにさらされてもより高いロバストネスを示し、不確実性マップにより信頼性の低いセグメンテーション領域が明確に特定された。

ABSTRACT

Optical coherence tomography (OCT) is commonly used to analyze retinal layers for assessment of ocular diseases. In this paper, we propose a method for retinal layer segmentation and quantification of uncertainty based on Bayesian deep learning. Our method not only performs end-to-end segmentation of retinal layers, but also gives the pixel wise uncertainty measure of the segmentation output. The generated uncertainty map can be used to identify erroneously segmented image regions which is useful in downstream analysis. We have validated our method on a dataset of 1487 images obtained from 15 subjects (OCT volumes) and compared it against the state-of-the-art segmentation algorithms that does not take uncertainty into account. The proposed uncertainty based segmentation method results in comparable or improved performance, and most importantly is more robust against noise.

研究の動機と目的

• 深層学習に基づく網膜層セグメンテーションにおいて不確実性評価が欠如している問題に取り組み、出力が検証不能なブラックボックスとして扱われるのを防ぐ。
• テストデータがトレーニングデータと異なる場合や、画像ノイズが存在する状況においても、セグメンテーションモデルのロバストネスを向上させること。
• 下流の臨床意思決定やアクティブラーニングを支援するため、信頼度が低い領域を特定できるピクセル単位の不確実性マップを提供する手法を開発すること。
• セグメンテーション精度を損なわせることなく、完全畳み込みアーキテクチャに不確実性推定を統合すること。
• 不確実性マップがセグメンテーション誤差と相関しており、手動での再評価やレビューを要する領域を特定できるかどうかを検証すること。

提案手法

• エンドツーエンドの網膜層セグメンテーションを実現するため、密度ブロックとスキップ接続を備えた完全畳み込みDenseNet（FC-DN）を適応する。
• 複数回の順方向伝搬を実行することで、ドロップアウトを用いたバリエーション推論により推論時におけるエピステミック不確実性を推定する。
• 出力分散をセグメンテーションログィットとともに予測することで、固有の画像ノイズに対するアレアトリック不確実性をモデル化する。
• 予測の不確実性とクラスの不均衡をトレーニング時に組み込んだクラスウェイト付きベイジアン損失関数を用いる。
• 推論時に不確実性推定のキャリブレーションを向上させるために、温度スケーリング技術（T）を採用し、T > 1 によりより良好なキャリブレーションが達成される。
• ドロップアウトを有効にした複数回の順方向伝搬の分散を計算することで不確実性マップを生成し、高い分散は低い信頼度を示す。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンディープラーニングを用いることで、不確実性推定を提供することにより、OCT画像における網膜層セグメンテーションの信頼性が向上するか？
• RQ2 エピステミック不確実性とアレアトリック不確実性の両方を組み込むことで、ノイズや分布シフトに対するモデルのロバストネスが向上するか？
• RQ3 不確実性マップが、ノイズが多いか分布外の画像において、誤ったセグメンテーション領域を効果的に特定できるか？
• RQ4 Diceスコアおよび境界精度の観点から、本手法は非ベイジアンの最先端セグメンテーションモデルと比較してどのように優れているか？
• RQ5 不確実性評価が、網膜画像における下流の臨床意思決定やアクティブラーニングパイプラインをどのように向上させられるか？

主な発見

• 提案手法BFC-DNは、GCL+IPL層でDice係数0.97、OPLおよびIS層で0.91を達成し、非ベイジアンなFC-DNベースラインを上回った。
• Langら[12]の最先端手法と比較して、境界誤差は平均で最大30%低減し、IS-OS境界で最小2.1 μmの誤差を記録した。
• ノイズのあるテスト条件下でも、BFC-DNはFC-DNよりも顕著に優れたセグメンテーション性能を維持し、ランダムブロックノイズに対して優れたロバストネスを示した。
• モデルが生成した不確実性マップは、セグメンテーション誤差と強い空間的相関を示しており、より暖色（高い値）の色は高い不確実性と低い精度を示す領域を表した。
• BFC-DNの平均推論時間は1枚あたり2.5秒（Tesla K40使用）であり、不確実性推定にT=10回の順方向伝搬が必要なため、FC-DN（300 ms）より遅い。
• 不確実性評価が臨床意思決定を支援し、エキスパートによる検証が必要な領域を特定するアクティブラーニングを支援できることを実証した。