[논문 리뷰] Trustworthy Multi-phase Liver Tumor Segmentation via Evidence-based Uncertainty

Chuanfei Hu, Tianyi Xia외 6명|arXiv (Cornell University)|2023. 05. 09.

Spectroscopy Techniques in Biomedical and Chemical Research인용 수 4

한 줄 요약

이 논문은 믹스드-페르스펙티브 CT 영상의 증거 기반 불확실성 추정을 통해 신뢰할 수 있는 다단계 간질 편측 세포질 분할을 위한 통합 프레임워크인 TMPLiTS를 제안한다. 이론적으로 탄탄한 다중 전문가 혼합 기반 융합 방식을 통해 다단계 CT 영상을 융합함으로써, TMPLiTS는 방사선 전문의의 주석과 높은 상관관계(0.969 및 0.961)를 보이며, 변형에 대해 강건한 성능을 기록하여 임상적 신뢰도를 향상시킨다.

ABSTRACT

Multi-phase liver contrast-enhanced computed tomography (CECT) images convey the complementary multi-phase information for liver tumor segmentation (LiTS), which are crucial to assist the diagnosis of liver cancer clinically. However, the performances of existing multi-phase liver tumor segmentation (MPLiTS)-based methods suffer from redundancy and weak interpretability, % of the fused result, resulting in the implicit unreliability of clinical applications. In this paper, we propose a novel trustworthy multi-phase liver tumor segmentation (TMPLiTS), which is a unified framework jointly conducting segmentation and uncertainty estimation. The trustworthy results could assist the clinicians to make a reliable diagnosis. Specifically, Dempster-Shafer Evidence Theory (DST) is introduced to parameterize the segmentation and uncertainty as evidence following Dirichlet distribution. The reliability of segmentation results among multi-phase CECT images is quantified explicitly. Meanwhile, a multi-expert mixture scheme (MEMS) is proposed to fuse the multi-phase evidences, which can guarantee the effect of fusion procedure based on theoretical analysis. Experimental results demonstrate the superiority of TMPLiTS compared with the state-of-the-art methods. Meanwhile, the robustness of TMPLiTS is verified, where the reliable performance can be guaranteed against the perturbations.

연구 동기 및 목표

• 기존의 다단계 간질 편측 세포질 분할 방법에서의 해석 가능성 부족과 신뢰성 부족 문제를 해결하기 위해.
• 임상적 신뢰도 향상을 위해 통합 프레임워크 내에서 분할과 불확실성 추정을 동시에 수행하기 위해.
• 이론적 기반을 바탕으로 다단계 CECT 영상 간 분할 결과의 신뢰성을 모델링하기 위해.
• 높은 분할 정확도를 유지하면서도 입력 변형에 대해 강건성을 확보하기 위해.
• 임상의가 낮은 신뢰도 영역을 쉽게 이해할 수 있도록 해석 가능한 불확실성 맵을 제공하기 위해.

제안 방법

• 다단계 CECT 스캔에서의 분할 신뢰도를 표현하기 위해 딜레트 분포를 사용하여 증거 기반 불확실성을 모델링한다.
• 분할과 불확실성을 융합하기 위한 증거로 형식화하기 위해 덴스터-샤퍼 증거 이론(Dempster-Shafer Evidence Theory, DST)을 적용한다.
• 이론적으로 융합 성능를 보장하는 다중 전문가 혼합 기반 융합 방식(MEMS)을 통해 다양한 단계의 증거를 융합한다.
• 각 단계에서 독립적이고 해석 가능한 분할 및 불확실성 추정을 수행한 후, 신뢰할 수 있는 융합을 가능하게 한다.
• 노이즈 및 단계 누락과 같은 입력 변형에 대해 강건하도록 설계되어 있다.
• 모델 복잡도를 균형 있게 조절하여 정확도나 신뢰도를 희생시키지 않으면서도 효율성을 확보한다.

실험 결과

연구 질문

• RQ1 통합 프레임워크를 통해 다단계 간질 편측 세포질 분할에서 정확한 분할과 신뢰할 수 있는 불확실성 추정을 동시에 달성할 수 있는가?
• RQ2 여러 CT 단계 간 분할 결과의 신뢰성을 명시적으로 정량화하고 해석할 수 있는가?
• RQ3 이론적으로 탄탄한 융합 메커니즘이 다단계 특징 융합의 효율성을 높이고 중복을 줄일 수 있는가?
• RQ4 노이즈 또는 단계 누락과 같은 입력 변형 상황에서 제안된 방법의 성능은 어떠한가?
• RQ5 모델의 예측 결과가 방사선 전문의가 주석한 종양 부피와 얼마나 높은 상관관계를 보이는가?

주요 결과

• TMPLiTS는 내부 검증 세트에서 예측된 종양 부피와 방사선 전문의 주석 간 상관계수 0.969를 기록하였다.
• 외부 검증 세트에서의 상관계수는 0.961을 기록하여 전문가 주석과 강한 일치를 보였다.
• 노이즈 및 단계 누락을 포함한 세 가지 유형의 변형에 대해 강건성을 입증하였으며, 안정적인 성능 유지를 유지하였다.
• TMPLiTS가 생성한 불확실성 히트맵은 불완전한 캡슐이나 의심스러운 패atters와 같은 낮은 신뢰도 영역을 효과적으로 강조하여 임상적 해석을 지원하였다.
• 다중 전문가 혼합 기반 융합 방식(MEMS)은 이론적으로 탄탄한 융합을 보장하여 경험적 융합 모듈 대비 중복을 줄이고 효율성을 향상시켰다.
• 디릴레트 분포를 통한 증거 기반 불확실성 통합은 단계 간 모델 신뢰도를 명시적이고 해석 가능한 방식으로 정량화할 수 있도록 하였다.