[論文レビュー] Quantifying Sources of Uncertainty in Deep Learning-Based Image Reconstruction

Riccardo Barbano, Željko Kereta+4 more|arXiv (Cornell University)|Nov 17, 2020

Medical Imaging Techniques and Applications参考文献 21被引用数 6

ひとこと要約

本論文は、CT画像再構成における深層学習の不確実性を同時に定量化するスケーラブルなベイジアンディープラーニングフレームワーク、BDGD+を提案する。アンラップド反復最適化手法にガウス平均場ベイジアンCNNを統合し、確率的変分ベイズ推論を用いることで、スパースビューおよび限られた角度設定における測定制限や欠落情報の影響を反映する解釈可能な不確実性推定を実現しながら、競争力ある再構成品質を達成する。

ABSTRACT

Image reconstruction methods based on deep neural networks have shown outstanding performance, equalling or exceeding the state-of-the-art results of conventional approaches, but often do not provide uncertainty information about the reconstruction. In this work we propose a scalable and efficient framework to simultaneously quantify aleatoric and epistemic uncertainties in learned iterative image reconstruction. We build on a Bayesian deep gradient descent method for quantifying epistemic uncertainty, and incorporate the heteroscedastic variance of the noise to account for the aleatoric uncertainty. We show that our method exhibits competitive performance against conventional benchmarks for computed tomography with both sparse view and limited angle data. The estimated uncertainty captures the variability in the reconstructions, caused by the restricted measurement model, and by missing information, due to the limited angle geometry.

研究の動機と目的

• 医療画像など感受性の高い分野において、深層学習ベースの画像再構成手法における不確実性定量化の欠如に対処すること。
• 学習された反復的再構成において、アレアトリック不確実性とエピステミック不確実性の両方を同時にモデル化できるスケーラブルで効率的なフレームワークの開発。
• ベイジアンニューラルネットワークをアンラップド最適化スキームと統合し、性能を損なわず不確実性に配慮した再構成を可能にすること。
• 不確実性推定が、スパースビューおよび限られた角度幾何構造といった測定モデルの物理的制限を的確に反映しているかどうかの検証。

提案手法

• ベイジアンディープ勾配降下法（BDGD）を拡張し、決定論的特徴抽出器にガウス平均場CNNを追加することで、不確実性定量化を可能にする。
• エピステミック不確実性は、ネットワーク重みの確率的変分ベイズ推論によりモデル化され、事後分布は平均場ガウス族を用いて近似される。
• アレアトリック不確実性は、入力依存のノイズ分散を別個のベイジアン畳み込みヘッドでモデル化することで組み込み、非定数分散（ヘテロスケダスティック）不確実性推定を可能にする。
• アーキテクチャは、ブロックを逐次的に訓練するグリーディトレーニング戦略を採用し、変分ベイズ推論を用いて事後分布の近似を繰り返し更新する。
• 損失関数は、負の下界（ELBO）とKLダイバージェンス項を組み合わせ、データ適合性と事後分布近似のバランスをとる。
• 前方演算子と随伴演算子はASTRAツールキットを用いて高速化され、計算断層撮影（CT）再構成に適用される。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの画像再構成手法は、スケーラブルで効率的な方法で、アレアトリック不確実性とエピステミック不確実性の両方を同時に定量化できるか？
• RQ2 推定された不確実性は、測定が制限されたりスパースである場合に生じる再構成の真のばらつきをどれだけ的確に反映しているか？
• RQ3 不確実性定量化の導入により、決定論的ベースラインと比較して再構成品質が向上するか、あるいは同等の水準を維持するか？
• RQ4 制限された測定幾何構造下で、不確実性推定が再構成の信頼性の意味のある指標として解釈可能か？

主な発見

• 提案されたBDGD+フレームワークは、スパースビューおよび限られた角度CTタスクにおいて、全般化されたベンチマーク（全変動、FBP+U-Net、DGD、LPD）と比較して競争力ある再構成性能を達成する。
• BDGD+が生成する不確実性推定は、特にスパースビューおよび限られた角度の状況下で、制限された測定モデルに起因するばらつきを効果的に捉えている。
• 本手法は、幾何的制限による欠落情報や高い再構成誤差領域と相関する解釈可能な不確実性マップを提供する。
• 入力依存分散モデル（アレアトリック不確実性）の導入により、特に低信号領域において、より高いロバストネスと忠実度が向上する。
• グリーディトレーニング戦略により、安定的かつ効率的な最適化が可能となり、異なるデータ分布においても不確実性推定が一貫性を示す。
• 実験結果から、不確実性定量化が再構成品質を損なわず、臨床的および安全が重要な応用分野において価値ある解釈可能性を追加することが示された。