[論文レビュー] Image-to-Image Regression with Distribution-Free Uncertainty Quantification and Applications in Imaging

Anastasios N. Angelopoulos, Amit P Kohli+6 more|arXiv (Cornell University)|Feb 10, 2022

Statistical Methods and Inference被引用数 14

ひとこと要約

本稿は、データ分布やモデル選択にかかわらず、画像対画像回帰における分布に依存しない不確実性評価を導入し、ピクセル単位の信頼区間を厳密な統計的保証とともに提供する。キャリブレーション済みピクセル単位の分位数回帰を用いることで、MRI、位相顕微鏡、電子顕微鏡のタスクにおいて、既存手法よりも狭くかつ信頼性の高い状態最良の不確実性区間を達成する。

ABSTRACT

Image-to-image regression is an important learning task, used frequently in biological imaging. Current algorithms, however, do not generally offer statistical guarantees that protect against a model's mistakes and hallucinations. To address this, we develop uncertainty quantification techniques with rigorous statistical guarantees for image-to-image regression problems. In particular, we show how to derive uncertainty intervals around each pixel that are guaranteed to contain the true value with a user-specified confidence probability. Our methods work in conjunction with any base machine learning model, such as a neural network, and endow it with formal mathematical guarantees -- regardless of the true unknown data distribution or choice of model. Furthermore, they are simple to implement and computationally inexpensive. We evaluate our procedure on three image-to-image regression tasks: quantitative phase microscopy, accelerated magnetic resonance imaging, and super-resolution transmission electron microscopy of a Drosophila melanogaster brain.

研究の動機と目的

• 科学的イメージングで使用される画像対画像回帰モデルにおける統計的信頼性の欠如に対処すること。ここでのホラリュネーション（空想的予測）は誤った発見を引き起こすおそれがある。
• ピクセル単位の予測に対して、有限標本における厳密な保証を提供する不確実性評価手法を開発すること。これは、潜在的なデータ分布やモデルアーキテクチャに依存しない。
• 任意の事前学習済み回帰モデル（例：深層ニューラルネットワーク）に適用可能な、実用的で計算効率の良い不確実性推定を可能にすること。
• 本手法の有効性を、MRI再構成、位相顕微鏡、電子顕微鏡を含む多様なイメージングタスクにおいて実証すること。

提案手法

• 保持済みキャリブレーションデータセットを用いてピクセル単位の不確実性区間を構築し、各区間が真のピクセル値をユーザー指定確率で含むことを保証する。
• キャリブレーション済みピクセル単位の分位数回帰を採用。これは標準的な分位数回帰を画像出力に拡張したもので、各ピクセルごとに下限および上限の予測境界を独立してモデル化する。
• 有限標本におけるマージナルカバレッジを保証するため、固定シーケンスの検定手順を用いる。
• モデルに依存しない手法であり、ニューラルネットワークなどの任意のベースレグレッサーと組み合わせて使用可能。再トレーニングや分布仮定を必要としない。
• 非対称な不確侖性区間をサポートし、各ピクセルごとに過小予測と過大予測のリスクを異なる水準で設定可能である。
• 推論時に効率的に不確実性区間を計算可能であり、再現性のある科学的イメージングパイプラインに適している。

実験結果

リサーチクエスチョン

• RQ1 画像対画像回帰タスクにおいて、分布に依存せず統計的に有効な不確実性評価が可能か？
• RQ2 モデルやデータ分布に依存せず、有限標本におけるカバレッジ保証を満たすピクセル単位の不確実性区間はどのように構築できるか？
• RQ3 ピクセル単位の分位数回帰は、ガウス近似や残差の大きさに基づくヒューリスティック手法に比べ、不確実性のキャリブレーション精度と区間幅の両面で優れているか？
• RQ4 提案手法は、MRIや電子顕微鏡再構成におけるモデルのホラリュネーションを検出し、マークアップできるか？
• RQ5 本手法は、位相顕微鏡やスーパーレゾリューションを含む多様なイメージングモダリティにおいて、スケーラビリティと性能をどのように発揮するか？

主な発見

• ピクセル単位の分位数回帰は、評価されたすべての手法の中で最良の実験的性能を示し、他の手法に比べてより狭く、より適切にキャリブレートされた不確実性区間を生成した。
• 本手法は、MRI再構成におけるホラリュネーションを的確に特定した。高不確実性は、モデルが誤った構造を予測した領域に一貫して局在化していた。
• 定量的位相顕微鏡では、不確実性区間が統計的に有効であり、ベースライン手法に比べて顕著に狭く、定量的測定の信頼性が向上した。
• ドーリスフィラの脳の透過型電子顕微鏡のスーパーレゾリューションにおいて、視覚的検査と整合する信頼性の高い不確実性推定を提供した。
• ガウスベースおよび残差の大きさに基づくヒューリスティック手法に比べ、本手法はカバレッジ精度と区間幅の両面で優れていた。
• 本手法は計算的に効率的であり、再トレーニングを必要とせず、任意の事前学習済みモデルに後から適用可能であるため、再現性のあるイメージングワークフローへの導入が可能である。