[论文解读] Analyzing Epistemic and Aleatoric Uncertainty for Drusen Segmentation in Optical Coherence Tomography Images

Tinu Theckel Joy, Suman Sedai+1 more|arXiv (Cornell University)|Jan 21, 2021

Retinal Imaging and Analysis参考文献 13被引用 4

一句话总结

本文提出了一种基于U-Net的光学相干断层扫描（OCT）图像微屑分割模型，通过量化认知不确定性（epistemic uncertainty）和随机不确定性（aleatoric uncertainty），提升模型的鲁棒性与可解释性。通过引入不确定性感知的评估方法，模型能够识别不可靠的预测结果，尤其在小尺寸和中等尺寸微屑上表现明显，显示出不确定性与分割准确率之间存在强烈的负相关性，从而实现更可靠的临床决策支持。

ABSTRACT

Age-related macular degeneration (AMD) is one of the leading causes of permanent vision loss in people aged over 60 years. Accurate segmentation of biomarkers such as drusen that points to the early stages of AMD is crucial in preventing further vision impairment. However, segmenting drusen is extremely challenging due to their varied sizes and appearances, low contrast and noise resemblance. Most existing literature, therefore, have focused on size estimation of drusen using classification, leaving the challenge of accurate segmentation less tackled. Additionally, obtaining the pixel-wise annotations is extremely costly and such labels can often be noisy, suffering from inter-observer and intra-observer variability. Quantification of uncertainty associated with segmentation tasks offers principled measures to inspect the segmentation output. Realizing its utility in identifying erroneous segmentation and the potential applications in clinical decision making, here we develop a U-Net based drusen segmentation model and quantify the segmentation uncertainty. We investigate epistemic and aleatoric uncertainty capturing model confidence and data uncertainty respectively. We present segmentation results and show how uncertainty can help formulate robust evaluation strategies. We visually inspect the pixel-wise uncertainty and segmentation results on test images. We finally analyze the correlation between segmentation uncertainty and accuracy. Our results demonstrate the utility of leveraging uncertainties in developing and explaining segmentation models for medical image analysis.

研究动机与目标

• 解决由于微屑尺寸差异大、对比度低以及与噪声相似性高导致的OCT图像中微屑分割准确性挑战。
• 通过量化模型不确定性和数据不确定性，克服医学影像中噪声大且标注稀疏的局限性。
• 采用基于不确定性阈值的评估策略，排除低置信度预测，提升性能指标的可靠性。
• 探究分割不确定性与准确率之间的关系，以增强模型可解释性与临床信任度。
• 展示不确定性量化在识别错误区域、指导主动学习或人工复核方面的实用性。

提出的方法

• 采用编码器-解码器结构的U-Net架构，结合批量归一化、Leaky ReLU激活函数以及跳跃连接，实现密集特征学习。
• 通过从OCT图像中裁剪128、192和256像素大小的图像块，实施数据增强，以保留病理细节并提升训练多样性。
• 利用贝叶斯深度学习方法，在推理阶段通过蒙特卡洛Dropout估计认知不确定性（模型不确定性）。
• 通过在分割掩膜之外额外预测像素级方差头，建模随机不确定性（数据不确定性）。
• 利用像素级不确定性图定义选择性评估策略，排除不确定性超过阈值的区域以进行性能评估。
• 计算平均不确定性与Dice分数之间的皮尔逊相关系数，分析不确定性与分割准确率之间的关系。

实验结果

研究问题

• RQ1 在OCT图像中，不同尺寸微屑的认知不确定性与随机不确定性如何与分割准确率相关？
• RQ2 通过排除低置信度预测，不确定性量化能否提升评估的鲁棒性？
• RQ3 认知不确定性与随机不确定性在其空间分布上在微屑区域存在多大差异？
• RQ4 不确定性图是否能有效突出错误的分割区域，尤其是在小尺寸或模糊的微屑中？
• RQ5 与标准评估方法相比，基于不确定性的评估在Dice、精确率和召回率指标上表现如何？

主要发现

• 无论是否包含不确定性估计，模型在所有配置下的Dice、精确率和召回率分数均保持相近，表明不确定性集成未造成性能下降。
• 模型在中等和小尺寸微屑上表现较弱，表现为Dice分数较低且不确定性较高，证实该任务的固有难度。
• 采用基于阈值的评估策略，排除最高不确定性像素的2–3%，可在所有指标上实现显著性能提升。
• 分割不确定性与Dice分数之间存在强烈的负相关性——不确定性越低，准确率越高，尤其在小尺寸和中等尺寸微屑中表现明显。
• 认知不确定性与Dice分数的负相关性强于随机不确定性，表明其更能预测模型的不准确性。
• 视觉分析表明，不确定性在微屑边界和小尺寸微屑区域最高，且不确定性图能有效突出分割错误，验证其临床实用性。