[论文解读] Brain Tumor Segmentation using 3D-CNNs with Uncertainty Estimation

Laura Mora Ballestar, Verónica Vilaplana|arXiv (Cornell University)|Sep 24, 2020

Brain Tumor Detection and Classification参考文献 18被引用 13

一句话总结

该论文提出了一种基于3D V-Net的脑肿瘤MRI语义分割模型，通过测试时丢弃（epistemic）和数据增强（aleatoric）实现体素级不确定性估计。该方法在肿瘤分割中实现了更高的鲁棒性和可靠性，尤其在识别低置信度区域方面表现优异，在BraTS 2020验证集上经过后处理后，Dice分数达到0.8463（WT）、0.7526（TC）和0.6179（ET），同时保持了较低的不确定性过滤比例（FTP: 0.0118，WT）。

ABSTRACT

Automation of brain tumors in 3D magnetic resonance images (MRIs) is key to assess the diagnostic and treatment of the disease. In recent years, convolutional neural networks (CNNs) have shown improved results in the task. However, high memory consumption is still a problem in 3D-CNNs. Moreover, most methods do not include uncertainty information, which is specially critical in medical diagnosis. This work proposes a 3D encoder-decoder architecture, based on V-Net \cite{vnet} which is trained with patching techniques to reduce memory consumption and decrease the effect of unbalanced data. We also introduce voxel-wise uncertainty, both epistemic and aleatoric using test-time dropout and data-augmentation respectively. Uncertainty maps can provide extra information to expert neurologists, useful for detecting when the model is not confident on the provided segmentation.

研究动机与目标

• 解决3D-CNN在脑肿瘤分割中内存消耗高且缺乏不确定性量化的问题。
• 通过分块处理和数据增强，提升在类别不平衡、多模态MRI数据中的分割鲁棒性。
• 提供体素级不确定性图（epistemic和aleatoric），辅助放射科医生识别不可靠预测。
• 通过检测假阳性和低置信度区域，提升临床可靠性，尤其在肿瘤边界区域。
• 通过后处理和不确定性感知推理，优化模型在BraTS 2020数据集上的性能。

提出的方法

• 采用减少特征图数量并使用实例归一化替代批量归一化，对V-Net架构进行改进以降低内存使用。
• 使用分块技术进行训练，以处理大型3D MRI图像并缓解类别不平衡问题。
• 通过测试时丢弃（TTD）估计epistemic不确定性，在推理阶段通过多次前向传播计算方差。
• 通过数据增强（如旋转、翻转）估计aleatoric不确定性，并对增强后的预测计算熵。
• 生成三个不确定性图（WT、TC、ET），按0（最确定）到100（最不确定）归一化，符合BraTS要求。
• 应用后处理以优化预测结果，尤其减少增强肿瘤（ET）区域的假阳性。

实验结果

研究问题

• RQ1 带有不确定性估计的3D-CNN能否提升多模态MRI中脑肿瘤分割的可靠性？
• RQ2 测试时丢弃在肿瘤分割预测中如何贡献于epistemic不确定性的估计？
• RQ3 数据增强在低置信度区域中在多大程度上改善了aleatoric不确定性的估计？
• RQ4 不确定性图是否能有效突出临床决策支持中的假阳性和模糊肿瘤边界？
• RQ5 不确定性度量（FTP和FTN比率）与BraTS 2020验证集上的分割性能之间有何相关性？

主要发现

• 经过后处理的V-Net模型在BraTS 2020验证集上，全肿瘤（WT）的Dice分数为0.8463，肿瘤核心（TC）为0.7526，增强肿瘤（ET）为0.6179。
• ET的Hausdorff距离在验证集上显著增加（从训练时的31.18 mm上升至49.74 mm），表明ET分割存在较高的假阳性率。
• 模型在验证集上表现出较低的FTP（0.0118）和FTN（0.0027）比率，表明其在真阳性和真阴性预测上保持高度自信。
• 不确定性图清晰地突出了低置信度区域，尤其是在肿瘤边界和假阳性区域，支持临床审查。
• 通过多次不确定性感知前向传播的预测平均，Dice分数略有下降，但不确定性感知的鲁棒性显著提升。
• 模型在ET分割上表现最差，单个体素的假阳性可能导致Dice分数为0，Hausdorff距离达到约373 mm，显著拉高平均值。