[논문 리뷰] A Decoupled Uncertainty Model for MRI Segmentation Quality Estimation

Richard Shaw, Carole H. Sudre외 3명|arXiv (Cornell University)|2021. 09. 06.

Radiomics and Machine Learning in Medical Imaging참고 문헌 38인용 수 4

한 줄 요약

이 논문은 자기공명영상(MRI) 분할 정확도를 위한 임무 특화 품질 평가를 위해 자기학습 베이지안 딥 러닝 프레임워크 내에서 이종분산 노이즈 모델을 사용한 분리된 불확실성 모델을 제안한다. k-space 잡음으로 학습 데이터를 증강함으로써, 이는 움직임, RF 스파이크 등과 같은 별개의 원인으로 불확실성을 분리하여, 기존의 SNR 및 CNR와 같은 전통적 지표보다 더 잘 예측하는 안정적이고 실시간의 품질 평가를 가능하게 한다.

ABSTRACT

Quality control (QC) of MR images is essential to ensure that downstream analyses such as segmentation can be performed successfully. Currently, QC is predominantly performed visually and subjectively, at significant time and operator cost. We aim to automate the process using a probabilistic network that estimates segmentation uncertainty through a heteroscedastic noise model, providing a measure of task-specific quality. By augmenting training images with k-space artefacts, we propose a novel CNN architecture to decouple sources of uncertainty related to the task and different k-space artefacts in a self-supervised manner. This enables the prediction of separate uncertainties for different types of data degradation. While the uncertainty predictions reflect the presence and severity of artefacts, the network provides more robust and generalisable segmentation predictions given the quality of the data. We show that models trained with artefact augmentation provide informative measures of uncertainty on both simulated artefacts and problematic real-world images identified by human raters, both qualitatively and quantitatively in the form of error bars on volume measurements. Relating artefact uncertainty to segmentation Dice scores, we observe that our uncertainty predictions provide a better estimate of MRI quality from the point of view of the task (gray matter segmentation) compared to commonly used metrics of quality including signal-to-noise ratio (SNR) and contrast-to-noise ratio (CNR), hence providing a real-time quality metric indicative of segmentation quality.

연구 동기 및 목표

• 자신감 있는 시각적 품질 제어의 한계를 해결하기 위해 임무 특화 성능 기반의 자동 품질 평가를 통해 주관적이고 시간이 오래 소요되는 품질 제어를 자동화한다.
• 전반적인 불확실성 외에도 별개의 잡음 유형(예: 움직임, RF 스파이크)에 따라 분리된 불확실성 예측 방법을 개발하여 대응 조치를 타겟팅할 수 있도록 한다.
• 실제 데이터 왜곡을 시뮬레이션하는 합성 k-space 잡음을 사용해 훈련함으로써 분할 성능의 강건성과 일반화 능력을 향상시킨다.
• 불확실성 예측이 기존의 영상 품질 지표(SNR, CNR)보다 분할 정확도(Dice 점수) 예측에 더 잘 관련되어 있음을 검증한다.

제안 방법

• 교수-학습자 CNN 아키텍처를 사용하며, 교사 네트워크가 이종분산 노이즈 모델을 통해 불확실성 추정을 수행한다.
• 훈련 데이터에 현실적인 k-space 잡음(예: 움직임, RF 스파이크)을 추가하여, 짝지어진 청소년/잡음 데이터가 필요 없이 다양한 영상 왜곡을 시뮬레이션한다.
• 잡음 분산을 잡음 유형 전용 임bedding에 조건화함으로써, 각 잡음 유형 별로 독립적인 성분으로 불확실성을 분리한다.
• 베이지안 신경망을 사용해 병렬 볼륨 단위로 불확실성 추정을 수행하며, 각 잡음 유형 별로 예측된 분산을 통해 임무 특화 위험을 반영한다.
• 자기학습 방식을 적용하여, 지표 불확실성은 필요 없으며, 훈련 중 모델의 예측 분산에서 불확실성이 학습된다.
• 3D MRI 볼륨을 처리하기 위해 패치 기반 추론 전략을 적용하며, 경계 잡음을 줄이기 위해 겹치는 패치를 평균화한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 MRI 잡음의 영향을 임무 성능에 실제로 반영하는 방식으로 분할 불확실성을 추정할 수 있는가?
• RQ2 잡음 유형 별로 불확실성을 분리함으로써, 임상 및 연구 워크플로우에서 불확실성 예측의 해석 가능성과 활용도가 향상되는가?
• RQ3 k-space 잡음 증강에서 유도된 불확실성 예측이 기존 영상 품질 지표(SNR, CNR)보다 분할 정확도 예측에 더 나은가?
• RQ4 훈련 중에 볼 수 없었던 임상적으로 문제시되는 실제 스캔에서의 불확실성 추정은 얼마나 강건한가?
• RQ5 미세조정 없이도 모델이 새로운 잡음 유형이나 실제 데이터에 대해 얼마나 일반화 가능한가?

주요 결과

• 제안된 모델은 SNR나 CNR보다 분할 정확도(Dice 점수)와 더 강하게 관련된 불확실성 추정을 제공하여, 임무 특화 품질 예측 능력이 뛰어나다는 것을 입증한다.
• 분리된 불확실성 예측은 움직임과 RF 스파이크 등 서로 다른 잡음 유형을 조건부로 정확히 국소화하고 구분할 수 있으며, 동시에 존재할 경우에도 성능을 유지한다.
• 인간 평가자가 문제로 간주한 실제 스캔에서, 모델의 불확실성 맵은 잡음 영향을 받은 영역을 명확히 드러내어 임상적 관련성을 확인한다.
• 모델은 시뮬레이션된 잡음에서 실제 스캔으로의 일반화가 가능하며, 불확실성 예측이 실제 분할 오차와 일치함을 반영한다.
• 모델은 추론 중 실시간 품질 평가가 가능하며, 분할 볼륨의 오차 범위로 불확실성 예측이 가능하다.
• 비슷한 외관을 띠는 잡음(예: 흐림 vs. 움직임)을 구분하는 데는 한계가 있지만, 모델은 도메인 간 이식성과 다중 클래스 분할 작업에 대한 확장성은 보여준다.