[논문 리뷰] Perturb-and-MPM: Quantifying Segmentation Uncertainty in Dense Multi-Label CRFs

Raphael Meier, Urspeter Knecht외 3명|arXiv (Cornell University)|2017. 03. 01.

Radiomics and Machine Learning in Medical Imaging참고 문헌 30인용 수 3

한 줄 요약

이 논문은 밀도 높은 다중 레이블 조건부 랜덤 필드(CRFs)에서 분할 정확도의 불확실성을 계산적으로 효율적으로 측정하기 위해 무작위 편향을 적용하여 깁스 분포에서의 표본 추출을 근사하는 Perturb-and-MPM를 소개한다. 이 방법은 특히 조직 경계에서 분할 오류를 정확하게 국소화하는 공간적 불확실성 맵을 생성하며, 간질성 뇌종양 환자에서 수술 범위 및 잔류 종양 부피와 같은 영상 생물학적 지표의 신뢰성을 향상시킨다.

ABSTRACT

This paper proposes a novel approach for uncertainty quantification in dense Conditional Random Fields (CRFs). The presented approach, called Perturb-and-MPM, enables efficient, approximate sampling from dense multi-label CRFs via random perturbations. An analytic error analysis was performed which identified the main cause of approximation error as well as showed that the error is bounded. Spatial uncertainty maps can be derived from the Perturb-and-MPM model, which can be used to visualize uncertainty in image segmentation results. The method is validated on synthetic and clinical Magnetic Resonance Imaging data. The effectiveness of the approach is demonstrated on the challenging problem of segmenting the tumor core in glioblastoma. We found that areas of high uncertainty correspond well to wrongly segmented image regions. Furthermore, we demonstrate the potential use of uncertainty maps to refine imaging biomarkers in the case of extent of resection and residual tumor volume in brain tumor patients.

연구 동기 및 목표

• 밀도 높은 다중 레이블 CRFs에서의 불확실성 측정 부족 문제를 해결하기 위해, 의료 영상 분할에 널리 사용되지만 확률적 표본 추출 기능이 없는 이러한 모델에 대한 불확실성 측정 부족 문제를 해결한다.
• 분할 결과의 신뢰도를 반영하는 공간적 불확실성 맵을 생성하기 위한 계산적으로 효율적인 방법을 개발한다.
• 어려운 간질성 뇌종양 종양 핵심 분할 작업에 대해 이 방법을 검증하고, 영상 생물학적 지표 추정 향상에 있어 임상적 유용성을 입증한다.
• 인간 전문가 검토를 지원하고 방사선 치료 및 신경외과 분야에서 신뢰성을 향상시키는 불확실성 인식 분할 워크플로우를 가능하게 한다.

제안 방법

• 밀도 높은 다중 레이블 CRF의 에너지 함수에 무작위 편향을 적용하여 깁스 분포에서의 표본 추출을 근사하는 편향 기반 표본 추출 방법인 Perturb-and-MPM를 제안한다.
• 정확한 MAP 최적화를 편향된 버전으로 대체함으로써, 전체 MCMC나 ILP 해법을 요구하지 않고도 표본 추출을 가능하게 하는 MAP 추론 프레임워크의 변형을 사용한다.
• 편향된 에너지 함수의 맥락에서 실현 가능한 st-cut 기반 최소 마진 추정을 사용하여 불확실성 계산을 수행한다.
• 다중 편향된 표본 간에 병변체 레이블 변화 빈도에서 유도된 공간적 불확실성 맵을 통해 국소적 신뢰도를 반영한다.
• 3D 뇌경색 환자의 자기공명 영상에 이 방법을 적용하며, 오류 분석을 위해 시뮬레이션 데이터를 사용하고, 임상 데이터를 통해 검증한다.
• 전문가 평가자로부터 확보한 진정값을 기반으로 방법을 검증하고, 불확실성 맵을 분할 오류 및 생물학적 지표 정확도와 비교 평가한다.

실험 결과

연구 질문

• RQ1 정확한 표본 추출이 불가능한 밀도 높은 다중 레이블 CRFs에서 편향 기반 표본 추출이 불확실성을 효과적으로 측정할 수 있는가?
• RQ2 결과로 도출된 불확실성 맵은 특히 조직 경계에서 분할 오류를 얼마나 잘 국소화하는가?
• RQ3 불확실성 맵은 수술 범위 및 잔류 종양 부피와 같은 체적 영상 생물학적 지표의 정확도를 향상시킬 수 있는가?
• RQ4 대규모 3D 의료 영상 볼륨에 적용했을 때 이 방법은 여전히 강건하고 효율적인가?

주요 결과

• Perturb-and-MPM가 식별한 불확실 영역은 특히 레이블링이 가장 모호한 조직 경계에서 분할 오류와 매우 밀접하게 일치한다.
• 작은 수의 표본으로도 안정적인 불확실성 맵을 생성하여 수렴성과 계산적 효율성을 보여준다.
• 불확실한 병변체를 제외한 부피 추정에서, 네 명의 전문가 평가자로부터 확보한 진정값과 비교했을 때 수술 범위 및 잔류 종양 부피 생물학적 지표의 정확도가 크게 향상되었다.
• 불확실성 맵은 경계 복잡도가 높은 영역에서 가장 정보가 풍부하며, 과도하게 자신감을 갖는 모델은 잘못 분류된 영역의 중심부에서 오류를 반영하지 못할 수 있다.
• Perturb-and-MPM는 MCMC나 ILP 해법을 요구하지 않기 때문에, 임상 현장에의 구현에 적합한 신뢰할 수 있는 불확실성 측정을 가능하게 한다.
• 이 방법은 불확실성 추정을 통한 데이터 품질 측정을 제공함으로써, 고속 스트림 레지오믹스에서 자동 분할의 신뢰성을 향상시킨다.