[論文レビュー] Perturb-and-MPM: Quantifying Segmentation Uncertainty in Dense Multi-Label CRFs

Raphael Meier, Urspeter Knecht+3 more|arXiv (Cornell University)|Mar 1, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 30被引用数 3

ひとこと要約

本稿では、Gibbs分布からのサンプリングを近似するためにランダムな摂動を適用することで、計算的に効率的な手法であるPerturb-and-MPMを導入し、密なマルチラベル条件付きランダムフィールド（CRF）におけるセグメンテーションの不確実性を定量化する。この手法は、特に組織境界付近で顕著なセグメンテーション誤差を正確に局在化する空間的不確実性マップを生成し、膠芽腫患者における切除範囲や残留腫瘍体積といった画像バイオマーカーの信頼性を向上させる。

ABSTRACT

This paper proposes a novel approach for uncertainty quantification in dense Conditional Random Fields (CRFs). The presented approach, called Perturb-and-MPM, enables efficient, approximate sampling from dense multi-label CRFs via random perturbations. An analytic error analysis was performed which identified the main cause of approximation error as well as showed that the error is bounded. Spatial uncertainty maps can be derived from the Perturb-and-MPM model, which can be used to visualize uncertainty in image segmentation results. The method is validated on synthetic and clinical Magnetic Resonance Imaging data. The effectiveness of the approach is demonstrated on the challenging problem of segmenting the tumor core in glioblastoma. We found that areas of high uncertainty correspond well to wrongly segmented image regions. Furthermore, we demonstrate the potential use of uncertainty maps to refine imaging biomarkers in the case of extent of resection and residual tumor volume in brain tumor patients.

研究の動機と目的

• 密なマルチラベルCRFにおける不確実性定量化の欠如に取り組むこと。これらは医療画像セグメンテーションで広く用いられているが、確率的サンプリングの能力に欠けている。
• セグメンテーション結果の信頼性を反映する空間的不確実性マップを生成する計算的に効率的な手法を開発すること。
• 難易度の高い膠芽腫腫瘍コアセグメンテーションに対して本手法を検証し、画像バイオマーカー推定における臨床的有用性を示すこと。
• 人間の専門家によるレビューを支援し、放射線治療およびニューロサージャリー分野での信頼性を高める不確実性対応のセグメンテーションワークフローを実現すること。

提案手法

• Perturb-and-MPMを提案する。これは、密なマルチラベルCRFのエネルギー関数にランダムな摂動を適用することでGibbs分布からのサンプリングを近似する摂動ベースのサンプリング手法である。
• 正確なMAPを摂動版に置き換えることで、完全なMCMCやILPソルブの必要なしにサンプリングを可能にするMAP推論フレームワークの変種を用いる。
• 摂動エネルギー関数の文脈で実行可能なstカットに基づく最小マージナル推定を不確実性計算に用いる。
• 複数回の摂動サンプルにおけるボクセルラベルの変更頻度から空間的不確実性マップを導出し、セグメンテーションにおける局所的信頼性を反映する。
• 3次元MR画像を用いて膠芽腫患者に本手法を適用し、誤差解析には合成データ、検証には臨床データを用いる。
• 熟練レーティング担当者からの正解データを用いて手法を検証し、不確実性マップをセグメンテーション誤差およびバイオマーカーの正確性と照合して評価する。

実験結果

リサーチクエスチョン

• RQ1 正確なサンプリングが非現実的である密なマルチラベルCRFにおいて、摂動ベースのサンプリングが不確実性を効果的に定量化できるか？
• RQ2 得られた不確実性マップは、特に組織境界付近でセグメンテーション誤差をどれほど正確に局在化できるか？
• RQ3 不確実性マップは、切除範囲や残留腫瘍体積といった体積バイオマーカーの正確性を向上させることができるか？
• RQ4 大規模な3次元医療画像ボリュームに適用した場合、本手法は依然として頑健かつ効率的であるか？

主な発見

• Perturb-and-MPMが特定する不確実領域は、特にラベリングが最も曖昧な組織境界付近で、セグメンテーション誤差と密接に一致する。
• 少数のサンプルで安定した不確実性マップが得られ、収束性および計算効率を示している。
• 不確実なボクセルを体積推定から除外することで、4名の熟練レーティング担当者からの正解と比較して、切除範囲および残留腫瘍体積バイオマーカーの正確性が顕著に向上した。
• 不確実性マップは境界の複雑さが高いために最も有用であり、一方で過信したモデルは誤分類領域の中心部で誤りを反映しないことがある。
• Perturb-and-MPMはMCMCやILPソルブを必要とせず、臨床現場への導入に適した信頼性の高い不確実性定量化を可能にする。
• 本手法は、不確実性推定によるデータ品質指標を提供することで、高スループットなラジオミクスにおける自動セグメンテーションの信頼性を向上させる。