[论文解读] Knowing what you know in brain segmentation using deep neural networks.

Patrick McClure, Nao Rho+8 more|arXiv (Cornell University)|Dec 3, 2018

Medical Image Segmentation Techniques参考文献 53被引用 3

一句话总结

本文提出一种基于尖刺-隔板丢弃的变分推断的贝叶斯深度神经网络（DNN），可在数分钟内实现快速、准确的结构磁共振成像（MRI）脑部分割。该方法优于以往的方法，其分割预测结果与FreeSurfer标签高度相似，并能提供可靠的体素级不确定性估计，用于预测个体错误和整体扫描质量控制评分。

ABSTRACT

In this paper, we describe a Bayesian deep neural network (DNN) for predicting FreeSurfer segmentations of structural MRI volumes, in minutes rather than hours. The network was trained and evaluated on a large dataset (n = 11,480), obtained by combining data from more than a hundred different sites, and also evaluated on another completely held-out dataset (n = 418). The network was trained using a novel spike-and-slab dropout-based variational inference approach. We show that, on these datasets, the proposed Bayesian DNN outperforms previously proposed methods, in terms of the similarity between the segmentation predictions and the FreeSurfer labels, and the usefulness of the estimate uncertainty of these predictions. In particular, we demonstrated that the prediction uncertainty of this network at each voxel is a good indicator of whether the network has made an error and that the uncertainty across the whole brain can predict the manual quality control ratings of a scan. The proposed Bayesian DNN method should be applicable to any new network architecture for addressing the segmentation problem.

研究动机与目标

• 开发一种快速、准确的深度学习方法，用于结构磁共振成像（MRI）脑部分割。
• 在体素级别估计预测不确定性，以识别分割错误。
• 利用全脑范围的不确定性预测MRI扫描的人工质量控制评分。
• 创建一种可推广的框架，适用于任何新型网络架构的分割任务。

提出的方法

• 该方法采用基于新型尖刺-隔板丢弃的变分推断方法训练的贝叶斯DNN。
• 尖刺-隔板丢弃在训练期间实现结构化、稀疏正则化，从而提升不确定性估计性能。
• 网络在包含11,480个体素的多中心大型MRI数据集上进行训练，并在保留的418幅扫描图像数据集上进行验证。
• 按体素计算预测不确定性，并在全脑范围内聚合以用于质量评估。
• 该模型利用深度学习技术，将推理时间从数小时缩短至数分钟。
• 该框架设计为可扩展，适用于任何新型分割网络架构。

实验结果

研究问题

• RQ1 基于尖刺-隔板丢弃的贝叶斯DNN是否能比现有方法实现更快、更准确的脑部分割？
• RQ2 体素级别的预测不确定性是否能可靠地指示分割错误？
• RQ3 全脑范围的不确定性是否能预测MRI扫描的人工质量控制评分？
• RQ4 所提出的方法是否可在不同网络架构的分割任务中实现可推广性？

主要发现

• 该贝叶斯DNN在训练集和保留数据集上均表现出比以往方法更高的分割相似度，与FreeSurfer标签更为接近。
• 体素级别的预测不确定性是分割错误的强指标，对检测错误预测具有较高的真正例率。
• 全脑不确定性估计与人工质量控制评分显著相关，可实现自动化扫描质量评估。
• 该方法将推理时间从数小时缩短至数分钟，同时保持高精度和可靠的不确定性估计。
• 基于尖刺-隔板丢弃的变分推断方法提升了不确定性校准效果，且未牺牲分割性能。
• 该方法具有可迁移性，可适用于任何新型深度学习架构的脑部MRI分割任务。