[论文解读] Towards Reducing Aleatoric Uncertainty for Medical Imaging Tasks

Abhishek Singh Sambyal, Narayanan C. Krishnan+1 more|arXiv (Cornell University)|Oct 21, 2021

Explainable Artificial Intelligence (XAI)参考文献 7被引用 5

一句话总结

本文提出了一种新颖方法，通过利用自监督重建任务中的不确定性估计，减少医学图像分割中的随机不确定性。通过使用蒙特卡洛丢弃法对重建过程中的像素级不确定性进行建模，并从该预测分布中采样以实现数据增强，该方法显著降低了分割任务中的随机不确定性，同时在性能上保持或优于标准数据增强技术。

ABSTRACT

In safety-critical applications like medical diagnosis, certainty associated with a model's prediction is just as important as its accuracy. Consequently, uncertainty estimation and reduction play a crucial role. Uncertainty in predictions can be attributed to noise or randomness in data (aleatoric) and incorrect model inferences (epistemic). While model uncertainty can be reduced with more data or bigger models, aleatoric uncertainty is more intricate. This work proposes a novel approach that interprets data uncertainty estimated from a self-supervised task as noise inherent to the data and utilizes it to reduce aleatoric uncertainty in another task related to the same dataset via data augmentation. The proposed method was evaluated on a benchmark medical imaging dataset with image reconstruction as the self-supervised task and segmentation as the image analysis task. Our findings demonstrate the effectiveness of the proposed approach in significantly reducing the aleatoric uncertainty in the image segmentation task while achieving better or on-par performance compared to the standard augmentation techniques.

研究动机与目标

• 解决在关键安全医学成像任务中减少随机不确定性的未充分探索挑战。
• 将自监督重建任务中估计的不确定性解释为数据固有的噪声。
• 利用该估计的不确定性，在下游分割任务中实现有效的数据增强。
• 在不依赖更多数据或更大模型的前提下，通过减少预测不确定性来提高模型鲁棒性。
• 证明不确定性感知增强优于标准增强和完整增强基线。

提出的方法

• 该方法使用带有蒙特卡洛丢弃的自监督自编码器，以估计图像重建中的随机不确定性和认知不确定性。
• 模型通过最小化损失函数来预测像素重建的对数方差，从而实现对随机不确定性的稳定估计：$ \mathcal{L}_{\text{BNN}} = \frac{1}{N_i}\sum_{j=1}^{N_i} \left( \frac{1}{2}\exp(-s_i)\|y_{ij}-\hat{y}_{ij}\|^2 + \frac{1}{2}s_i \right) $。
• 随机不确定性通过以下方式提取：$ \text{Var}(y_{ij}) \approx \left( \frac{1}{T}\sum_{t=1}^{T}(\hat{y}_{ij})_t^2 - \left( \frac{1}{T}\sum_{t=1}^{T}(\hat{y}_{ij})_t \right)^2 \right) + \frac{1}{T}\sum_{t=1}^{T}(\hat{\sigma}_{ij})_t^2 $。
• 利用这些不确定性估计，在分割任务的训练过程中从预测分布中采样增强图像。
• 该方法将不确定性感知采样集成到数据增强流程中，提升了对数据噪声的鲁棒性。
• 该方法在BraTS基准数据集上，以肿瘤分割作为下游任务进行了评估。

实验结果

研究问题

• RQ1 能否有效重新利用从自监督重建任务中估计的不确定性，以减少下游医学图像分割任务中的随机不确定性？
• RQ2 基于重建图像不确定性的不确定性感知数据增强，是否能相比标准增强技术，使预测中的随机不确定性更低？
• RQ3 该方法能否在不增加模型容量的前提下，同时提升分割性能并减少预测不确定性？
• RQ4 与完整数据增强和高斯噪声增强相比，该方法在不确定性校准和性能指标方面表现如何？
• RQ5 随机不确定性的减少在不同组织区域（肿瘤与非肿瘤）中是否具有统计显著性和一致性？

主要发现

• 所提方法在肿瘤分割中实现了最低的随机不确定性（0.00154 ± 1.5e⁻⁶），显著低于基线（0.01760 ± 5.4e⁻⁵）和高斯噪声增强（0.00773 ± 1.7e⁻⁵）。
• 对于非肿瘤区域，该方法将随机不确定性降低至0.00050 ± 1.6e⁻⁷，优于基线（0.00369 ± 1.4e⁻⁶）和高斯噪声（0.00167 ± 6.6e⁻⁷）。
• 该方法在Dice（0.790 ± 0.081）、Jaccard（0.723 ± 0.089）和F1（0.548 ± 0.165）指标上表现最佳，优于基线和高斯噪声增强。
• 预测不确定性降低至0.08761 ± 4.3e⁻³，显著低于基线（0.10397 ± 5.0e⁻³）和高斯噪声（0.10173 ± 6.3e⁻³）。
• 该方法表现出最低的期望校准误差（ECE）0.0150和Brier分数0.0162，表明其不确定性校准性能更优。
• 统计分析证实该方法在关键指标上具有显著优势（p < 0.001），相较于最佳基线表现出高度显著的改进。