[論文レビュー] Towards Reducing Aleatoric Uncertainty for Medical Imaging Tasks

Abhishek Singh Sambyal, Narayanan C. Krishnan+1 more|arXiv (Cornell University)|Oct 21, 2021

Explainable Artificial Intelligence (XAI)参考文献 7被引用数 5

ひとこと要約

本論文では、自己教師付き再構成タスクからの不確実性推定を活用することで、医療画像セグメンテーションにおけるアンモラティック不確実性を低減する新しい手法を提案する。再構成におけるピクセル単位の不確実性をモンテカルロドロップアウトでモデル化し、予測分布からのサンプリングをデータオーグメンテーションに用いることで、標準的手法に比べてセグメンテーションにおけるアンモラティック不確実性を顕著に低減しつつ、性能を維持または向上させる。

ABSTRACT

In safety-critical applications like medical diagnosis, certainty associated with a model's prediction is just as important as its accuracy. Consequently, uncertainty estimation and reduction play a crucial role. Uncertainty in predictions can be attributed to noise or randomness in data (aleatoric) and incorrect model inferences (epistemic). While model uncertainty can be reduced with more data or bigger models, aleatoric uncertainty is more intricate. This work proposes a novel approach that interprets data uncertainty estimated from a self-supervised task as noise inherent to the data and utilizes it to reduce aleatoric uncertainty in another task related to the same dataset via data augmentation. The proposed method was evaluated on a benchmark medical imaging dataset with image reconstruction as the self-supervised task and segmentation as the image analysis task. Our findings demonstrate the effectiveness of the proposed approach in significantly reducing the aleatoric uncertainty in the image segmentation task while achieving better or on-par performance compared to the standard augmentation techniques.

研究の動機と目的

• 安全上の重要な医療画像診断タスクにおけるアンモラティック不確実性低減という未だ十分に検討されていない課題に取り組む。
• 自己教師付き再構成タスクから推定された不確実性を、データ固有のノイズとして解釈する。
• この推定不確実性を、下流のセグメンテーションタスクにおける有効なデータオーグメンテーションに活用する。
• より多くのデータやより大きなモデルに依存せずに、予測不確実性を低減することでモデルのロバスト性を向上させる。
• 不確実性に配慮したオーグメンテーションが、標準的手法および完全なオーグメンテーションのベースラインを上回ることを示す。

提案手法

• 本手法は、モンテカルロドロップアウトを用いて画像再構成におけるアンモラティック不確実性とエピステミック不確実性の両方を推定する自己教師付きオートエンコーダーを採用する。
• モデルはピクセル再構成の対数分散を予測するように学習され、損失関数を通じて安定したアンモラティック不確実性推定が可能になる：$ \mathcal{L}_{\text{BNN}} = \frac{1}{N_i}\sum_{j=1}^{N_i} \left( \frac{1}{2}\exp(-s_i)\|y_{ij}-\hat{y}_{ij}\|^2 + \frac{1}{2}s_i \right) $。
• アンモラティック不確実性は、$ \text{Var}(y_{ij}) \approx \left( \frac{1}{T}\sum_{t=1}^{T}(\hat{y}_{ij})_t^2 - \left( \frac{1}{T}\sum_{t=1}^{T}(\hat{y}_{ij})_t \right)^2 \right) + \frac{1}{T}\sum_{t=1}^{T}(\hat{\sigma}_{ij})_t^2 $ として抽出される。
• 推定された不確実性を用いて、セグメンテーションタスクの学習中に予測分布からのサンプリングによりオーグメント済み画像を生成する。
• 不確実性に配慮したサンプリングをデータオーグメンテーションパイプラインに統合し、データノイズに対するロバストネスを向上させる。
• 本手法は、BraTSベンチマークデータセットを用いて腫瘍セグメンテーションを下流タスクとして評価する。

実験結果

リサーチクエスチョン

• RQ1 自己教師付き再構成タスクから推定された不確実性は、下流の医療画像セグメンテーションタスクにおけるアンモラティック不確実性低減に効果的に再利用可能か？
• RQ2 再構成画像の不確実性に基づく不確実性に配慮したデータオーグメンテーションは、標準的手法に比べて予測におけるアンモラティック不確実性を低くできるか？
• RQ3 本手法は、モデル容量の増加なしにセグメンテーション性能を向上させるとともに、予測不確実性を低減できるか？
• RQ4 完全なデータオーグメンテーションおよびガウスノイズオーグメンテーションと比較して、本手法は不確実性のキャリブレーションおよび性能指標において優れているか？
• RQ5 腫瘍領域と非腫瘍領域の両方で、アンモラティック不確実性の低減は統計的に有意かつ一貫性を示しているか？

主な発見

• 提案手法は腫瘍セグメンテーションにおいて、0.00154 ± 1.5e⁻⁶という最も低いアンモラティック不確実性を達成し、ベースライン（0.01760 ± 5.4e⁻⁵）およびガウスノイズオーグメンテーション（0.00773 ± 1.7e⁻⁵）を著しく下回った。
• 非腫瘍領域では、アンモラティック不確実性が0.00050 ± 1.6e⁻⁷に低減され、ベースライン（0.00369 ± 1.4e⁻⁶）およびガウス（0.00167 ± 6.6e⁻⁷）を上回った。
• Dice（0.790 ± 0.081）、Jaccard（0.723 ± 0.089）、F1（0.548 ± 0.165）の各指標で最高の性能を達成し、ベースラインおよびガウスノイズオーグメンテーションを上回った。
• 予測不確実性は0.08761 ± 4.3e⁻³にまで低減され、ベースライン（0.10397 ± 5.0e⁻³）およびガウス（0.10173 ± 6.3e⁻³）を著しく下回った。
• 期待キャリブレーション誤差（ECE）が0.0150、ブライアスコアが0.0162と最低であり、優れた不確実性キャリブレーションを示した。
• 統計的分析により、主要指標においてp < 0.001の有意差が確認され、最良のベースラインと比較して著しく優れた性能が裏付けられた。