[論文レビュー] Trustworthy Medical Segmentation with Uncertainty Estimation.

Giuseppina Carannante, Dimah Dera+3 more|arXiv (Cornell University)|Nov 10, 2021

Adversarial Robustness in Machine Learning参考文献 44被引用数 7

ひとこと要約

本稿では、医用画像分類のためのベイジアンディープラーニングフレームワークを提案する。この手法は、モデルパラメータの平均および共分散を伝搬するために1次テイラー近似を用い、下界の証拠（ELBO）を最大化することで不確実性を推定する。この方法により、セグメンテーションマップと不確実性マップの両方を生成し、MRIおよびCTデータセットにおいてノイズや敵対的攻撃に対して優れた耐性を示す。高値の不確実性は、汚染されたまたは分布外の入力においてモデルの信頼性喪失を示している。

ABSTRACT

Deep Learning (DL) holds great promise in reshaping the healthcare systems given its precision, efficiency, and objectivity. However, the brittleness of DL models to noisy and out-of-distribution inputs is ailing their deployment in the clinic. Most systems produce point estimates without further information about model uncertainty or confidence. This paper introduces a new Bayesian deep learning framework for uncertainty quantification in segmentation neural networks, specifically encoder-decoder architectures. The proposed framework uses the first-order Taylor series approximation to propagate and learn the first two moments (mean and covariance) of the distribution of the model parameters given the training data by maximizing the evidence lower bound. The output consists of two maps: the segmented image and the uncertainty map of the segmentation. The uncertainty in the segmentation decisions is captured by the covariance matrix of the predictive distribution. We evaluate the proposed framework on medical image segmentation data from Magnetic Resonances Imaging and Computed Tomography scans. Our experiments on multiple benchmark datasets demonstrate that the proposed framework is more robust to noise and adversarial attacks as compared to state-of-the-art segmentation models. Moreover, the uncertainty map of the proposed framework associates low confidence (or equivalently high uncertainty) to patches in the test input images that are corrupted with noise, artifacts or adversarial attacks. Thus, the model can self-assess its segmentation decisions when it makes an erroneous prediction or misses part of the segmentation structures, e.g., tumor, by presenting higher values in the uncertainty map.

研究の動機と目的

• ノイズ混入または分布外の医用画像に対して感受性が高いため、臨床現場におけるディープラーニングモデルの脆さを是正すること。
• 不確実性の定量的評価が行われない点推定のみを提供する既存のセグメンテーションモデルの限界を克服すること。
• パラメータ分布のモーメントを用いて予測不確実性を推定することで、セグメンテーション意思決定の自己評価を可能にする手法を開発すること。
• 腫瘍などの構造が欠落している場合に、高値の不確実性を示すことで、医用画像におけるディープラーニングモデルの信頼性を向上させること。

提案手法

• ベイジアンニューラルネットワークの原則を用いたエンコーダ・デコーダアーキテクチャを医用画像分類に適用する。
• モデルパラメータ分布の一次モーメント（平均）および二次モーメント（共分散）を伝搬するために、1次テイラー級数近似を適用する。
• 訓練データが与えられたもとでのモデルパラメータの事後分布を学習するために、下界の証拠（ELBO）を最大化する。
• 予測セグメンテーションマップと、予測分布の共分散行列から導出された対応する不確実性マップの2つの出力を生成する。
• 予測分布の共分散行列を活用して、空間的位置ごとのセグメンテーション意思決定における不確実性を定量化する。
• ノイズおよび敵対的摂動下での耐性を評価するために、MRIおよびCTデータセット上でフレームワークを訓練および評価する。

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フレームワークは、ノイズ混入または汚損された入力下でも医用画像分類モデルの耐性を向上させることができるか？
• RQ2 パラメータ分布のモーメントを用いた不確実性推定は、セグメンテーション予測における低信頼領域を効果的に特定できるか？
• RQ3 標準モデルと比較して、提案手法の不確実性マップは、敵対的攻撃や画像アーティファクトをどれほど効果的に検出できるか？
• RQ4 腫瘍などの構造が見逃された場合、フレームワークは自身の予測を自己評価し、不確実性が高い領域を強調できるか？
• RQ5 不確実性の定量化は、臨床現場への導入におけるディープラーニングモデルの信頼性をどの程度向上させるか？

主な発見

• 提案フレームワークは、ベンチマーク用のMRIおよびCTデータセットにおいて、最先端のセグメンテーションモデルと比較して、ノイズおよび敵対的攻撃に対してより高い耐性を示した。
• 不確実性マップは、ノイズ、アーティファクト、または敵対的摂動によって汚損された画像パッチに対して一貫して高い不確実性値を割り当てた。
• 腫瘍などの構造を正しくセグメンテーションできなかった場合、不確実性マップはその領域で値が上昇し、低信頼性の自己評価を示した。
• 予測分布の共分散行列は、空間的位置ごとのセグメンテーション意思決定における不確実性を効果的に捉えていた。
• フレームワークの不確実性推定は、分布外入力の信頼性ある検出を可能にし、より安全な臨床現場への導入を支援した。
• 追加の推論時間やアーキテクチャの複雑化を伴わず、ベイジアンパラメータ推定に限定して、セグメンテーションの信頼性が向上した。