[论文解读] Perturb-and-MPM: Quantifying Segmentation Uncertainty in Dense Multi-Label CRFs

Raphael Meier, Urspeter Knecht+3 more|arXiv (Cornell University)|Mar 1, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 30被引用 3

一句话总结

本论文提出Perturb-and-MPM，一种计算高效的分割不确定性量化方法，用于密集多标签条件随机场（CRFs），通过应用随机扰动来近似从吉布斯分布中采样。该方法生成的空间不确定性图能准确定位分割错误，尤其在组织边界处表现突出，并提升了胶质母细胞瘤患者中切除范围和残留肿瘤体积等影像生物标志物的可靠性。

ABSTRACT

This paper proposes a novel approach for uncertainty quantification in dense Conditional Random Fields (CRFs). The presented approach, called Perturb-and-MPM, enables efficient, approximate sampling from dense multi-label CRFs via random perturbations. An analytic error analysis was performed which identified the main cause of approximation error as well as showed that the error is bounded. Spatial uncertainty maps can be derived from the Perturb-and-MPM model, which can be used to visualize uncertainty in image segmentation results. The method is validated on synthetic and clinical Magnetic Resonance Imaging data. The effectiveness of the approach is demonstrated on the challenging problem of segmenting the tumor core in glioblastoma. We found that areas of high uncertainty correspond well to wrongly segmented image regions. Furthermore, we demonstrate the potential use of uncertainty maps to refine imaging biomarkers in the case of extent of resection and residual tumor volume in brain tumor patients.

研究动机与目标

• 为解决广泛应用于医学图像分割的密集多标签 CRFs 缺乏不确定性量化的问题，这些模型虽被广泛使用，但不具备概率采样能力。
• 开发一种计算高效的算法，用于生成反映分割结果置信度的空间不确定性图。
• 在具有挑战性的胶质母细胞瘤肿瘤核心分割任务上验证该方法，并证明其在提升影像生物标志物估计准确性方面的临床价值。
• 实现不确定性感知的分割工作流，支持人工专家审查，并增强放疗与神经外科中的可靠性。

提出的方法

• 提出Perturb-and-MPM，一种基于扰动的采样方法，通过向密集多标签CRF的能量函数施加随机扰动，以近似采样自吉布斯分布。
• 采用MAP推理框架的变体，将精确MAP替换为扰动版本，从而在无需完整MCMC或ILP求解的情况下实现采样。
• 采用基于st-cut的最小边际估计方法进行不确定性计算，该方法在扰动能量函数的背景下具有可行性。
• 通过多次扰动样本中体素标签变化的频率，推导出空间不确定性图，以反映分割结果的局部置信度。
• 将该方法应用于胶质母细胞瘤患者的3D MR影像，利用合成数据进行误差分析，利用临床数据进行验证。
• 通过专家评分的金标准验证方法，并评估不确定性图与分割误差及生物标志物准确性的关系。

实验结果

研究问题

• RQ1 在精确采样不可行的密集多标签CRFs中，基于扰动的采样能否有效量化不确定性？
• RQ2 生成的不确定性图在多大程度上能准确定位分割错误，尤其是在组织边界处？
• RQ3 不确定性图能否提升如切除范围和残留肿瘤体积等体积影像生物标志物的准确性？
• RQ4 该方法在大规模3D医学图像数据集上是否仍保持鲁棒性和高效性？

主要发现

• Perturb-and-MPM识别出的不确定区域与实际分割错误区域高度吻合，尤其在标签最模糊的组织边界处表现突出。
• 该方法在少量样本后即可生成稳定的不确定性图，表明其具有良好的收敛性与计算效率。
• 与四位专家评分的金标准相比，排除不确定体素进行体积估计显著提升了切除范围和残留肿瘤体积生物标志物的准确性。
• 不确定性图在边界复杂区域最具信息量，而过度自信的模型可能无法反映错分区域中心区域的错误。
• Perturb-and-MPM 实现了可靠的不确定性量化，无需依赖MCMC或ILP求解，适用于临床部署。
• 该方法通过不确定性估计提供数据质量度量，增强了高通量放射组学中自动化分割的可靠性。