[논문 리뷰] Analyzing Epistemic and Aleatoric Uncertainty for Drusen Segmentation in Optical Coherence Tomography Images

Tinu Theckel Joy, Suman Sedai외 1명|arXiv (Cornell University)|2021. 01. 21.

Retinal Imaging and Analysis참고 문헌 13인용 수 4

한 줄 요약

이 논문은 광학 간섭 단층촬영(OCT) 영상에서 U-Net 기반의 드루젠 분할 모델을 제안하며, 지식 기반 불확실성(에피스테믹 불확실성)과 데이터 기반 불확실성(알레아토릭 불확실성)을 정량화하여 정확성과 해석 가능성 향상을 도모한다. 불확실성 인식 평가를 통해 모델은 예측의 신뢰도가 낮은 영역—특히 작은 드루젠과 중간 크기의 드루젠—을 식별한다. 이는 불확실성과 분할 정확도 사이에 강한 반비례 관계가 있음을 보여주며, 더 신뢰할 수 있는 임상 의사결정 지원을 가능하게 한다.

ABSTRACT

Age-related macular degeneration (AMD) is one of the leading causes of permanent vision loss in people aged over 60 years. Accurate segmentation of biomarkers such as drusen that points to the early stages of AMD is crucial in preventing further vision impairment. However, segmenting drusen is extremely challenging due to their varied sizes and appearances, low contrast and noise resemblance. Most existing literature, therefore, have focused on size estimation of drusen using classification, leaving the challenge of accurate segmentation less tackled. Additionally, obtaining the pixel-wise annotations is extremely costly and such labels can often be noisy, suffering from inter-observer and intra-observer variability. Quantification of uncertainty associated with segmentation tasks offers principled measures to inspect the segmentation output. Realizing its utility in identifying erroneous segmentation and the potential applications in clinical decision making, here we develop a U-Net based drusen segmentation model and quantify the segmentation uncertainty. We investigate epistemic and aleatoric uncertainty capturing model confidence and data uncertainty respectively. We present segmentation results and show how uncertainty can help formulate robust evaluation strategies. We visually inspect the pixel-wise uncertainty and segmentation results on test images. We finally analyze the correlation between segmentation uncertainty and accuracy. Our results demonstrate the utility of leveraging uncertainties in developing and explaining segmentation models for medical image analysis.

연구 동기 및 목표

• 변동하는 크기, 낮은 대비, 노이즈 유사성으로 인해 OCT 영상에서 드루젠 분할이 어려운 문제를 해결한다.
• 의료 영상에서 노이즈가 많고 희소한 전문가 레이블의 한계를 극복하기 위해 모델 불확실성과 데이터 불확실성을 정량화한다.
• 낮은 신뢰도 예측을 제외하기 위한 불확실성 임계값을 활용한 강건한 평가 전략을 개발한다.
• 분할 불확실성과 정확도의 관계를 조사하여 모델의 해석 가능성과 임상적 신뢰도를 향상시킨다.
• 오류 영역을 식별하고 액티브 러닝 또는 수동 검토를 안내하는 데에 불확실성 정량화의 유용성을 입증한다.

제안 방법

• 디코딩 블록, 배치 정규화, 리 leaking ReLU, 스킵 연결을 갖춘 U-Net 아키텍처를 구현하여 밀도 높은 특징 학습을 수행한다.
• OCT 영상에서 크기가 128, 192, 256인 패치를 자르는 방식으로 데이터 증강을 적용하여 병적 세부 정보를 유지하고 훈련 다양성을 증가시킨다.
• 추론 중 몬테카를로 드롭아웃을 사용하여 베이지안 딥러닝을 적용해 지식 기반 불확실성(에피스테믹 불확실성)을 추정한다.
• 분할 마스크와 함께 픽셀 단위의 분산 헤드를 예측하여 데이터 기반 불확실성(알레아토릭 불확실성)을 모델링한다.
• 픽셀 단위의 불확실성 맵을 활용해, 임계값을 초과하는 영역을 제외하는 선택적 평가 전략을 정의한다.
• 평균 불확실성과 Dice 점수 사이의 피어슨 상관계수를 계산하여 불확실성과 분할 정확도의 관계를 분석한다.

실험 결과

연구 질문

• RQ1 OCT 영상에서 크기가 다른 드루젠에 대해 지식 기반 불확실성과 데이터 기반 불확실성이 분할 정확도와 어떻게 상관관계가 있는가?
• RQ2 낮은 신뢰도 예측을 제외함으로써 불확실성 정량화가 평가의 강건성을 향상시킬 수 있는가?
• RQ3 지식 기반 불확실성과 데이터 기반 불확실성이 드루젠 영역 전반에 걸쳐 공간 분포에서 얼마나 다른가?
• RQ4 불확실성 맵이 작은 드루젠이나 모호한 드루젠 영역에서 오류 분할 영역을 효과적으로 강조할 수 있는가?
• RQ5 Dice, 정밀도, 재현율 점수 측면에서 불확실성 기반 평가가 기존 평가 방식과 어떻게 비교되는가?

주요 결과

• 모델은 불확실성 추정 여부에 관계없이 모든 설정에서 유사한 Dice, 정밀도, 재현율 점수를 기록하여, 불확실성 통합으로 인한 성능 저하가 없음을 확인한다.
• 중간 크기 및 작은 크기의 드루젠에 대해 모델이 어려움을 겪고 있음을 낮은 Dice 점수와 높은 불확실성 수준이 확인하며, 이는 작업의 본질적 난이도를 반영한다.
• 가장 높은 불확실성 픽셀 2–3%를 제외하는 임계값 기반 평가 전략을 적용하면 모든 성능 지표에서 뚜렷한 향상이 이루어진다.
• 분할 불확실성과 Dice 점수 사이에 강한 반비례 관계가 존재한다—낮은 불확실성은 더 높은 정확도를 의미하며, 특히 작은 드루젠과 중간 크기의 드루젠에서 두드러진다.
• 지식 기반 불확실성이 알레아토릭 불확실성보다 Dice 점수와 더 강한 반비례 관계를 보이며, 이는 지식 기반 불확실성이 모델 오류 예측에 더 유용하다는 것을 시사한다.
• 시각적 분석 결과, 불확실성이 드루젠 경계와 작은 드루젠 영역에서 가장 높으며, 불확실성 맵이 효과적으로 분할 오류 영역을 강조함을 확인하여 임상적 유용성을 검증한다.