[論文レビュー] Uncertainty Quantification in Deep Learning for Safer Neuroimage Enhancement

Ryutaro Tanno, Daniel E. Worrall+7 more|arXiv (Cornell University)|Jul 31, 2019

Sparse and Compressive Sensing Techniques参考文献 127被引用数 28

ひとこと要約

本論文は、拡散MRIにおける画像強調処理、特に超解像処理における不確実性の定量化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。ヘテロスケダスティックノイズモデリングと近似的ベイジアン推論を組み合わせることで、予測不確実性を内在的不確実性とパラメータ不確実性に分解し、ボクセル単位のリスク評価を可能にするとともに、分布外データに対する耐性を向上させる。

ABSTRACT

Deep learning (DL) has shown great potential in medical image enhancement problems, such as super-resolution or image synthesis. However, to date, little consideration has been given to uncertainty quantification over the output image. Here we introduce methods to characterise different components of uncertainty in such problems and demonstrate the ideas using diffusion MRI super-resolution. Specifically, we propose to account for $intrinsic$ uncertainty through a heteroscedastic noise model and for $parameter$ uncertainty through approximate Bayesian inference, and integrate the two to quantify $predictive$ uncertainty over the output image. Moreover, we introduce a method to propagate the predictive uncertainty on a multi-channelled image to derived scalar parameters, and separately quantify the effects of intrinsic and parameter uncertainty therein. The methods are evaluated for super-resolution of two different signal representations of diffusion MR images---DTIs and Mean Apparent Propagator MRI---and their derived quantities such as MD and FA, on multiple datasets of both healthy and pathological human brains. Results highlight three key benefits of uncertainty modelling for improving the safety of DL-based image enhancement systems. Firstly, incorporating uncertainty improves the predictive performance even when test data departs from training data. Secondly, the predictive uncertainty highly correlates with errors, and is therefore capable of detecting predictive "failures". Results demonstrate that such an uncertainty measure enables subject-specific and voxel-wise risk assessment of the output images. Thirdly, we show that the method for decomposing predictive uncertainty into its independent sources provides high-level "explanations" for the performance by quantifying how much uncertainty arises from the inherent difficulty of the task or the limited training examples.

研究の動機と目的

• 安全性が求められる応用分野において、ディープラーニングベースの医療画像強調処理における不確実性定量化の不足に対処すること。
• 拡散MRIの超解像処理における予測不確実性を、除去できない内在的不確実性と、低減可能なパラメータ不確実性に区別して定量化すること。
• 多チャンネル画像からの不確実性を、FA や MD などの導出スカラー指標へ伝搬させることで、被験者固有およびボクセル単位のリスク評価を可能にすること。
• 不確実性の原因に分解することで、モデル性能の解釈可能性を高め、信頼性の向上と臨床応用を促進すること。
• 健常脳および病変性脳（膠腫瘍および多発性硬化症）を含むデータセットにおいて、耐性および信頼性の向上を実証すること。

提案手法

• 出力分布における入力依存分散を適応的に学習するヘテロスケダスティックノイズ層を用いて、モデルの内在的不確実性を定量化する。
• モンテカルロドロップアウトを用いた近似的ベイジアン推論により、ディープニューラルネットワークの重みにおけるパラメータ不確実性を推定する。
• 両方の不確実性要因を統合し、強化画像出力における予測不確実性を計算する。
• 一次の不確実性伝搬を用いて、多チャンネル拡散MRI画像（例：DTI、MAP-MRI）からの予測不確実性を、導出スカラー量（FA や MD）へ伝搬する。
• 合計の予測不確実性を、内在的不確実性とパラメータ不確実性の独立した寄与に分解し、解釈可能性を高める。
• Human Connectome Project、Lifespan、Prisma、および臨床的膠腫瘍およびMSデータセットを含む複数のデータセットでモデル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 テストデータが学習データから逸脱する場合、不確実性定量化が神経画像強調におけるディープラーニングモデルの耐性を向上させ得るか？
• RQ2 予測不確実性は再構成誤差とどの程度相関するか。これにより、超解像タスクにおけるモデル障害の検出が可能になるか？
• RQ3 多チャンネル拡散MRI画像からの不確実性を、FA や MD などの導出スカラー指標へ意味的に伝搬する方法は何か？
• RQ4 予測不確実性を内在的不確実性とパラメータ不確実性に分解することで、モデルの挙動と性能に関する高水準の解釈が可能になるか？
• RQ5 不確実性モデリングは、病変性脳画像を含む臨床応用における安全性と信頼性をどのように向上させるか？

主な発見

• 不確実性モデリングを組み込むことで、テストデータが学習分布から逸脱しても予測性能が向上し、耐性が向上することが示された。
• 予測不確実性は再構成誤差と強く相関しており、ボクセル単位でのモデル障害の信頼性ある検出が可能となった。
• 不確実性測定により、超解像画像の被験者固有およびボクセル単位のリスク評価が可能となり、より安全な臨床的解釈が可能になった。
• 不確実性を内在的不確実性とパラメータ不確実性に分解することで、性能制限がタスクの曖昧さに起因するか、データ不足に起因するかを解釈可能な形で明らかにできた。
• 本手法は、DTI や MAP-MRI といった異なる拡散MRI表現および導出スカラー量に一般化可能であり、健常脳および病変性脳の両方で一貫した利点を示した。
• 本フレームワークは、ノイズ除去、再構成、合成、および画像プロトコル間のデータ統合といった、他の画像強調タスクへも拡張可能である。