[论文解读] A Decoupled Uncertainty Model for MRI Segmentation Quality Estimation

Richard Shaw, Carole H. Sudre+3 more|arXiv (Cornell University)|Sep 6, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 38被引用 4

一句话总结

本文提出一种解耦的不确定性模型，采用自监督贝叶斯深度学习框架中的异方差噪声模型，以估计特定任务的MRI分割质量。通过在训练数据中引入k空间伪影，该方法将不确定性解耦为不同来源（如运动伪影、射频脉冲伪影），实现稳健且实时的质量评估，其预测分割准确性的表现优于传统的信噪比（SNR）和对比噪声比（CNR）等指标。

ABSTRACT

Quality control (QC) of MR images is essential to ensure that downstream analyses such as segmentation can be performed successfully. Currently, QC is predominantly performed visually and subjectively, at significant time and operator cost. We aim to automate the process using a probabilistic network that estimates segmentation uncertainty through a heteroscedastic noise model, providing a measure of task-specific quality. By augmenting training images with k-space artefacts, we propose a novel CNN architecture to decouple sources of uncertainty related to the task and different k-space artefacts in a self-supervised manner. This enables the prediction of separate uncertainties for different types of data degradation. While the uncertainty predictions reflect the presence and severity of artefacts, the network provides more robust and generalisable segmentation predictions given the quality of the data. We show that models trained with artefact augmentation provide informative measures of uncertainty on both simulated artefacts and problematic real-world images identified by human raters, both qualitatively and quantitatively in the form of error bars on volume measurements. Relating artefact uncertainty to segmentation Dice scores, we observe that our uncertainty predictions provide a better estimate of MRI quality from the point of view of the task (gray matter segmentation) compared to commonly used metrics of quality including signal-to-noise ratio (SNR) and contrast-to-noise ratio (CNR), hence providing a real-time quality metric indicative of segmentation quality.

研究动机与目标

• 为解决MRI中主观且耗时的视觉质量控制的局限性，通过基于任务性能的自动化质量评估来实现改进。
• 开发一种方法，不仅全局估计不确定性，更按不同伪影类型（如运动、射频脉冲）进行解耦，以支持针对性干预。
• 通过使用合成k空间伪影进行训练，模拟真实世界的数据退化，提升分割的鲁棒性与泛化能力。
• 验证不确定性预测与分割性能（Dice分数）的相关性是否优于传统图像质量指标（如SNR和CNR）。

提出的方法

• 采用学生-教师CNN架构，其中教师网络通过异方差噪声模型生成不确定性估计。
• 通过引入真实的k空间伪影（如运动、射频脉冲）对训练数据进行增强，以模拟多样化的图像退化，且无需成对的干净/伪影数据。
• 通过将噪声方差条件化于特定伪影类型的嵌入向量，实现按伪影类型独立分解不确定性。
• 使用贝叶斯神经网络对每个体素估计不确定性，通过按伪影类型预测方差，反映特定任务的风险。
• 该方法为自监督：无需真实不确定性标签；不确定性通过训练过程中模型的预测方差自动学习。
• 采用基于图像块的推理策略处理3D MRI图像，通过重叠块与平均操作减轻边界伪影影响。

实验结果

研究问题

• RQ1 深度学习模型能否以反映MRI伪影对下游任务性能真实影响的方式估计分割不确定性？
• RQ2 按伪影类型解耦不确定性是否能提升不确定性预测在临床与研究工作流中的可解释性与实用性？
• RQ3 基于k空间伪影增强获得的不确定性预测是否能优于标准图像质量指标（SNR、CNR）来预测分割准确性？
• RQ4 在训练中未见的临床问题伪影的真实扫描中，不确定性估计的鲁棒性如何？
• RQ5 该模型在无需微调的情况下，对未见伪影类型或真实世界数据的泛化能力在多大程度上成立？

主要发现

• 所提模型生成的不确定性估计与分割Dice分数的相关性显著强于SNR或CNR，证明其在任务特定质量预测方面具有更优的预测能力。
• 解耦的不确定性预测能成功定位并区分不同伪影类型（如运动伪影与射频脉冲伪影），即使在多种伪影共现时亦然。
• 在人类评估者判定为问题的现实扫描中，模型的不确定性图能清晰突出受伪影影响的区域，证实其临床相关性。
• 模型能从模拟伪影泛化至真实扫描，其不确定性预测与实际的体积测量分割误差一致。
• 该方法可在推理阶段实现实时质量评估，不确定性以分割体积的误差棒形式量化。
• 尽管在区分视觉上相似的伪影（如模糊与运动）方面存在局限，模型在不同领域间表现出良好的可迁移性，并可扩展至多类别分割任务。