[논문 리뷰] Deep Learning with Uncertainty Quantification for Predicting the Segmentation Dice Coefficient of Prostate Cancer Biopsy Images

Audrey Xie, Elfatimi, Elhoucine외 2명|arXiv (Cornell University)|2021. 08. 31.

AI in cancer detection참고 문헌 11인용 수 6

한 줄 요약

이 연구는 프로스타트 생검 영상 분할을 위한 딥러닝 모델의 예측 성능을 평가하기 위해 몬테카를로 드롭아웃(Monte Carlo Dropout, MCD)을 활용한 새로운 불확실성 정량화 프레임워크를 제안한다. 종양, 비종양, 비조직 영역별로 불확실성 지도를 계산하고, 이러한 지도를 기반으로 선형 모델을 학습시켜, 이미지 수준의 불확실성만을 고려하는 것보다 높은 정확도와 낮은 RMSE로 분할 성능 예측을 달성하였다.

ABSTRACT

Deep learning models (DLMs) can achieve state-of-the-art performance in histopathology image segmentation and classification, but have limited deployment potential in real-world clinical settings. Uncertainty estimates of DLMs can increase trust by identifying predictions and images that need further review. Dice scores and coefficients (Dice) are benchmarks for evaluation of image segmentation performance, but are usually not evaluated with DLM uncertainty quantification. This study reports DLMs trained with uncertainty estimations, using randomly initialized weights and Monte Carlo dropout, to segment tumors from microscopic Hematoxylin and Eosin dye stained prostate core biopsy histology RGB images. Image-level maps showed significant correlation (Spearman's rank, p < 0.05) between overall and specific prostate tissue image sub-region uncertainties with model performance estimations by Dice. This study reports that linear models, which can predict Dice segmentation scores from multiple clinical sub-region-based uncertainties of prostate cancer, can serve as a more comprehensive performance evaluation metric without loss in predictive capability of DLMs, with a low root mean square error.

연구 동기 및 목표

• 의료 영상 분할을 위한 딥러닝 모델의 임상적 신뢰도를 높이기 위해 예측 불확실성을 정량화하는 것.
• 프로스타트 생검 영상에서 영역별로 추정한 불확실성 지표가 실제 분할 성능(Dice 계수)과 상관관계가 있는지 조사하는 것.
• 단일 MCD 기반 모델에서 생성된 불확실성 지도만을 사용하여 DICE 점수를 예측하는 계산 효율성이 높은 방법을 개발하는 것.
• 이미지 수준의 불확실성만을 사용하는 것과 비교해, 다수의 영역 기반 불확실성 지도를 조합함으로써 DICE 예측 정확도가 향상되는지 평가하는 것.
• 불확실성 기반 성능 평가를 통해 고위험 분할 영역을 자동으로 식별하고 전문가 검토가 필요한 영역을 도출함으로써 임상적 의사결정 지원을 가능하게 하는 것.

제안 방법

• 244개의 H&E 염색 프로스타트 코어 생검 영상에서 몬테카를로 드롭아웃(Monte Carlo Dropout, MCD)을 적용한 베이지안 VGG-UNet을 학습하여 픽셀 수준의 불확실성 지도를 생성하였다.
• 지상 진단 분할 마스크를 사용하여 종양(Gleason 3–5), 비종양 조직(Gleason 1–2), 비조직 픽셀의 세 가지 임상적 ROI를 정의하였다.
• MCD 불확실성 지도와 ROI 마스크를 요소별 곱셈 연산을 통해 영역별 불확실성 지도를 계산하고, 각 영역별 평균 불확실성 값을 추출하였다.
• 선형 회귀 모델을 학습시켜 MCD 모델의 DICE 계수를 예측하기 위해 종양, 비종양, 비조직 영역의 불확실성 지도를 입력 특성로 사용하였다.
• 성능 평가는 5겹 교차검증을 통해 수행되었으며, 예측 및 지상 진단 마스크 간의 교차합집합(IoU)을 기반으로 DICE 점수를 계산하였다.
• 새로운 알고리즘(알고리즘 1)을 설계하여 영역 기반 불확실성을 체계적으로 추출하고 통합하며, DICE 예측을 위한 모델링을 수행하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델에서 도출한 영역별 불확실성 지표가 프로스타트 생검 영상에서 실제 분할 성능(DICE 계수)과 상관관계가 있는가?
• RQ2 종양, 비종양, 비조직 영역의 다수 불확실성 지표를 조합하는 것이 이미지 수준의 불확실성만을 사용하는 것보다 DICE 예측 정확도를 향상시키는가?
• RQ3 세분화 모델을 재학습하지 않고도 불확실성 특징을 기반으로 학습된 선형 모델이 높은 정확도와 낮은 RMSE로 DICE 점수를 예측할 수 있는가?
• RQ4 MCD를 통해 생성된 불확실성 지도가 특히 종양 영역에서 분할 오류와 공간적으로 일치하는가?
• RQ5 의료 영상 분할에서 성능 평가를 위한 전체 베이지안 추론에 비해 MCD 기반 불확실성 정량화가 실용적이고 저비용 대체 방법이 될 수 있는가?

주요 결과

• MCD 모델은 DICE 계수 0.8938, 참양성률 0.8382, 거짓양성률 0.0279를 기록하여 강력한 분할 성능를 나타내었다.
• 스피어만 순위 상관관계 분석에서 모든 세 ROI에 대해 영역별 불확실성 지표와 DICE 점수 사이에 통계적으로 유의미한(p < 0.05) 상관관계가 확인되었다.
• 영역 기반 불확실성 지표를 기반으로 학습된 선형 모델은 높은 정확도로 DICE 점수를 예측하였으며, 이미지 수준의 불확실성만을 사용한 모델보다 낮은 루트 평균 제곱 오차(RMSE)를 기록하였다.
• 이미지 수준의 불확실성 지도는 분할 오류와 특히 종양 경계 부근 및 복잡한 조직 구조에서 공간적으로 잘 일치하는 경향을 보였다.
• 종양 및 비종양 영역의 불확실성 지표를 조합한 경우, 단일 영역 또는 이미지 수준의 접근 방식보다 더 정확한 DICE 예측을 달성하였다.
• 제안된 방법은 재학습 없이도 효율적인 후행 성능 평가를 가능하게 하여, 임상적 의사결정 지원에 기여한다.