[论文解读] Deep Learning with Uncertainty Quantification for Predicting the Segmentation Dice Coefficient of Prostate Cancer Biopsy Images

Audrey Xie, Elfatimi, Elhoucine+2 more|arXiv (Cornell University)|Aug 31, 2021

AI in cancer detection参考文献 11被引用 6

一句话总结

本研究提出了一种新颖的不确定性量化框架，采用蒙特卡洛丢弃（MCD）方法在贝叶斯VGG-UNet中预测前列腺癌活检图像分割的Dice系数。通过计算区域特定的不确定性（肿瘤、非肿瘤、非组织），并基于这些不确定性训练线性模型，该方法仅使用单个MCD优化模型的不确定性图，即可实现高精度的分割性能预测，且均方根误差（RMSE）较低，优于仅使用图像级不确定性的方法。

ABSTRACT

Deep learning models (DLMs) can achieve state-of-the-art performance in histopathology image segmentation and classification, but have limited deployment potential in real-world clinical settings. Uncertainty estimates of DLMs can increase trust by identifying predictions and images that need further review. Dice scores and coefficients (Dice) are benchmarks for evaluation of image segmentation performance, but are usually not evaluated with DLM uncertainty quantification. This study reports DLMs trained with uncertainty estimations, using randomly initialized weights and Monte Carlo dropout, to segment tumors from microscopic Hematoxylin and Eosin dye stained prostate core biopsy histology RGB images. Image-level maps showed significant correlation (Spearman's rank, p < 0.05) between overall and specific prostate tissue image sub-region uncertainties with model performance estimations by Dice. This study reports that linear models, which can predict Dice segmentation scores from multiple clinical sub-region-based uncertainties of prostate cancer, can serve as a more comprehensive performance evaluation metric without loss in predictive capability of DLMs, with a low root mean square error.

研究动机与目标

• 通过量化预测不确定性，提升临床对深度学习模型在医学图像分割中应用的信任度。
• 探究区域特定的不确定性估计是否与前列腺活检图像中分割性能（Dice系数）相关。
• 开发一种计算效率高的方法，仅利用单个MCD模型生成的不确定性图，预测Dice分数。
• 评估结合多种基于区域的不确定性是否优于仅使用图像级不确定性的Dice预测精度。
• 通过基于不确定性的性能估计，实现对高风险分割区域的自动化识别，以供专家审查。

提出的方法

• 在244张H&E染色的前列腺核心活检图像上，训练了一个带有蒙特卡洛丢弃（MCD）的贝叶斯VGG-UNet，以生成像素级不确定性图。
• 使用真实分割掩码定义了三个临床感兴趣区域（ROIs）：肿瘤（Gleason 3–5）、非肿瘤组织（Gleason 1–2）和非组织像素。
• 通过将MCD不确定性图与ROI掩码进行逐元素相乘，计算区域特定的不确定性图，并提取各区域的平均不确定性值。
• 训练线性回归模型，以肿瘤、非肿瘤和非组织区域的不确定性作为输入特征，预测MCD模型的Dice系数。
• 采用五折交叉验证评估性能，Dice分数通过预测掩码与真实掩码之间的交并比（IoU）计算得出。
• 设计了一种新算法（算法1），系统地提取、聚合并建模基于区域的不确定性，用于Dice预测。

实验结果

研究问题

• RQ1 深度学习模型生成的区域特定不确定性估计是否与前列腺活检图像中实际分割性能（Dice系数）显著相关？
• RQ2 结合多种基于区域的不确定性（肿瘤、非肿瘤、非组织）是否能提升Dice预测精度，优于仅使用图像级不确定性？
• RQ3 基于不确定性特征训练的线性模型是否能在不重新训练分割模型的前提下，实现高精度和低RMSE的Dice分数预测？
• RQ4 通过MCD生成的不确定性图是否在空间上与分割错误相对应，特别是在肿瘤区域？
• RQ5 MCD的不确定性量化是否可作为完整贝叶斯推断的可行、低成本替代方案，用于医学图像分割中的性能估计？

主要发现

• MCD模型的Dice系数达到0.8938，真阳性率为0.8382，假阳性率为0.0279，表明分割性能表现优异。
• Spearman等级相关分析显示，所有三个ROI的区域特定不确定性与Dice分数之间均存在统计显著相关性（p < 0.05）。
• 基于区域不确定性训练的线性模型能够高精度预测Dice分数，其均方根误差（RMSE）低于仅使用图像级不确定性的模型。
• 图像级不确定性图在视觉上与分割错误对齐，尤其在肿瘤边界附近和复杂组织结构区域。
• 结合肿瘤与非肿瘤区域不确定性的方法预测Dice分数最为准确，优于单一区域或图像级方法。
• 所提出的方法可实现高效、后处理的深度学习模型性能估计，无需重新训练模型，有助于临床决策支持。