[論文レビュー] Supervised Uncertainty Quantification for Segmentation with Multiple Annotations

Hu Shi, Daniel E. Worrall+4 more|arXiv (Cornell University)|Jul 3, 2019

Lung Cancer Diagnosis and Treatment参考文献 18被引用数 15

ひとこと要約

本稿では、医療画像セグメンテーションにおける教師あり不確実性評価手法を提案する。インタラーグレーダーのばらつきを真のアルエアトリック不確実性として活用し、変更を加えた確率的U-Netを用いて、校正済みのアルエアトリック不確実性とエピステミック不確実性を同時に推定する。LIDC-IDRIおよびMICCAI2012データセットにおいて、先行手法に比べて不確実性の校正性、サンプルの多様性、セグメンテーション精度が向上した。

ABSTRACT

The accurate estimation of predictive uncertainty carries importance in medical scenarios such as lung node segmentation. Unfortunately, most existing works on predictive uncertainty do not return calibrated uncertainty estimates, which could be used in practice. In this work we exploit multi-grader annotation variability as a source of 'groundtruth' aleatoric uncertainty, which can be treated as a target in a supervised learning problem. We combine this groundtruth uncertainty with a Probabilistic U-Net and test on the LIDC-IDRI lung nodule CT dataset and MICCAI2012 prostate MRI dataset. We find that we are able to improve predictive uncertainty estimates. We also find that we can improve sample accuracy and sample diversity. In real-world applications, our method could inform doctors about the confidence of the segmentation results.

研究の動機と目的

• 医療画像セグメンテーションにおける予測不確実性の校正が不十分であるという問題に取り組むこと。特に、臨床意思決定文脈における不確実性推定の改善を目的とする。
• マルチアノテートドデータセットにおけるグレーダー間ばらつきを、教師あり学習のための真のアルエアトリック不確実性のソースとして活用すること。
• 深層学習ベースのセグメンテーションモデルにおける不確実性の校正性とサンプルの多様性を向上させること。
• 確率的U-Netにアルエアトリック不確実性のための教師あり学習目的を追加することで拡張し、同時にエピステミック不確実性の推定を維持すること。
• 本手法を実世界の医療画像データセット（LIDC-IDRIおよびMICCAI2012）で評価し、臨床的意義を検証すること。

提案手法

• 1枚の画像に対して複数の専門家によるアノテーションを活用し、画素単位の分散を真のアルエアトリック不確実性として計算する。
• インタラーグレーダー分散をアルエアトリック不確実性の教師信号として用い、変更を加えた確率的U-Netを訓練し、平均セグメンテーションと不確実性の両方を予測する。
• 全分散の法則を適用して予測不確実性をアルエアトリック成分とエピステミック成分に分解する。
• 変分推論と変分ドロップアウトを用いて、モデルパラメータにおけるエピステミック不確実性をモデル化する。
• セグメンテーション出力のガウス尤度を用いた、下界の期待値（ELBO）を最適化する。
• 再構成損失と不確実性予測損失を同時に最小化することで、不確実性推定の校正を実現する。

実験結果

リサーチクエスチョン

• RQ1 マルチアノテートド医療画像におけるグレーダー間ばらつきは、アルエアトリック不確実性推定のための教師信号として効果的に利用可能か？
• RQ2 グレーダー間ばらつきを教師信号として用いた教師あり学習は、深層セグメンテーションモデルにおけるアルエアトリック不確実性推定の校正性を向上させるか？
• RQ3 提案手法は、多様性のための明示的最適化なしに、同時にセグメンテーション精度とサンプルの多様性を向上させることができるか？
• RQ4 アルエアトリック不確実性とエピステミック不確実性に分解された不確実性は、ベースライン手法と比較して、真の不確実性との視覚的および定量的類似性において優れているか？
• RQ5 本モデルのエピステミック不確実性マップは、レアまたは分布外の構造に対して、先行手法よりもモデルの自信を的確に反映しているか？

主な発見

• LIDC-IDRIデータセットでは、提案手法の$D_{\text{GED}}^{2}$スコアが0.267 ± 0.012に低下し、Kohlら[16]の0.346 ± 0.038よりも良好であった。これは、サンプルの多様性と精度の向上を示している。
• MICCAI2012データセットでは、$D_{\text{GED}}^{2}$が0.373 ± 0.021に達し、ベースラインの0.382 ± 0.017を上回った。
• LIDC-IDRIではデータ不確実性予測の正規化相互相関が0.669 ± 0.011、MICCAI2012では0.345 ± 0.005であった。これはKendall & Galの0.597 ± 0.006および0.299 ± 0.011と比較して顕著に高い値であった。
• 視覚的比較では、提案手法が真の不確実性のスケールと形状をよりよく再現しており、画像端縁における過剰な不確実性推定を回避していた。
• エピステミック不確実性マップは、画像端縁に広がるのではなく、中心部のレア構造の周囲に局在化しており、より良好なモデルの自信の校正を示唆している。
• 明示的な多様性正則化なしに、不確実性の校正性とサンプルの多様性が向上した。これは、教師あり不確実性目的が、自然に生じる利点を示している。