[論文レビュー] Trustworthy Multi-phase Liver Tumor Segmentation via Evidence-based Uncertainty

Chuanfei Hu, Tianyi Xia+6 more|arXiv (Cornell University)|May 9, 2023

Spectroscopy Techniques in Biomedical and Chemical Research被引用数 4

ひとこと要約

本稿では、Dempster-Shafer理論とディリクレ分布パラメータライゼーションを用いた証拠に基づく不確実性推定を通じて、信頼性のあるマルチフェーズ肝腫瘍セグメンテーションのための統合フレームワークであるTMPLiTSを提案する。理論的根拠に基づくマルチエキスパートミックス方式を用いてマルチフェーズCT画像を統合することで、放射線科医のアノテーションと高い相関（0.969および0.961）を示し、摂動に対して頑健であるため、臨床的信頼性が向上する。

ABSTRACT

Multi-phase liver contrast-enhanced computed tomography (CECT) images convey the complementary multi-phase information for liver tumor segmentation (LiTS), which are crucial to assist the diagnosis of liver cancer clinically. However, the performances of existing multi-phase liver tumor segmentation (MPLiTS)-based methods suffer from redundancy and weak interpretability, % of the fused result, resulting in the implicit unreliability of clinical applications. In this paper, we propose a novel trustworthy multi-phase liver tumor segmentation (TMPLiTS), which is a unified framework jointly conducting segmentation and uncertainty estimation. The trustworthy results could assist the clinicians to make a reliable diagnosis. Specifically, Dempster-Shafer Evidence Theory (DST) is introduced to parameterize the segmentation and uncertainty as evidence following Dirichlet distribution. The reliability of segmentation results among multi-phase CECT images is quantified explicitly. Meanwhile, a multi-expert mixture scheme (MEMS) is proposed to fuse the multi-phase evidences, which can guarantee the effect of fusion procedure based on theoretical analysis. Experimental results demonstrate the superiority of TMPLiTS compared with the state-of-the-art methods. Meanwhile, the robustness of TMPLiTS is verified, where the reliable performance can be guaranteed against the perturbations.

研究の動機と目的

• 既存のマルチフェーズ肝腫瘍セグメンテーション手法における解釈可能性と信頼性の欠如に対処すること。
• 臨床的信頼性の向上を目的として、統合フレームワーク内でセグメンテーションと不確実性推定を同時に実行すること。
• 理論的根拠を用いてマルチフェーズCECT画像におけるセグメンテーション結果の信頼性をモデル化すること。
• 入力の摂動に対して頑健である一方で、高いセグメンテーション精度を維持すること。
• 臨床家が低信頼度領域を明確に理解できるように、解釈可能な不確実性マップを提供すること。

提案手法

• マルチフェーズCECTスキャンにおけるセグメンテーションの信頼性を表すために、ディリクレ分布を用いて証拠に基づく不確実性をモデル化する。
• セグメンテーションと不確実性を証拠として統合するために、Dempster-Shafer証拠理論（DST）を適用する。
• 理論的保証を備えたマルチエキスパートミックス方式（MEMS）により、異なる画像フェーズからの証拠を統合する。
• フレームワークは、各フェーズごとに独立して解釈可能なセグメンテーションと不確実性推定を実行し、その後に信頼性の高い統合を実現する。
• ノイズや欠損フェーズを含む入力摂動に対しても頑健であるように、手法を設計する。
• モデルの複雑さをバランスさせ、信頼性や正確性を損なわず効率性を確保する。

実験結果

リサーチクエスチョン

• RQ1 統合フレームワークは、マルチフェーズ肝腫瘍セグメンテーションにおいて、正確なセグメンテーションと信頼性のある不確実性推定を同時に達成できるか？
• RQ2 複数のCTフェーズにおけるセグメンテーション結果の信頼性を明示的に定量化し、解釈可能にする方法は何か？
• RQ3 理論的根拠に基づいた統合メカニズムは、マルチフェーズ特徴統合の効率性を向上させるとともに、冗長性を低減できるか？
• RQ4 ノイズや欠損フェーズなどの入力摂動下で、提案手法はどのように性能を示すか？
• RQ5 モデルの予測が、放射線科医がアノテートした腫瘍体積とどの程度相関しているか？

主な発見

• TMPLiTSは、内部検証セットにおいて予測された腫瘍体積と放射線科医がアノテートした体積との間に相関係数0.969を達成した。
• 外部検証セットでも相関係数0.961を達成し、熟練医のアノテーションと強い一致を示した。
• ノイズや欠損フェーズを含む3種類の摂動に対して、フレームワークは信頼性の高い性能を維持し、頑健性を示した。
• TMPLiTSが生成する不確実性ヒートマップは、不完全なキャピルスや懸念すべきパターンなどの低信頼度領域を効果的に特定し、臨床的解釈を支援した。
• マルチエキスパートミックス方式（MEMS）により、理論的に妥当な統合が実現され、経験的統合モジュールと比較して冗長性が低減され、効率性が向上した。
• ディリクレ分布による証拠に基づく不確実性の統合により、フェーズごとのモデル信頼性の明示的かつ解釈可能な定量化が可能になった。