[论文解读] Quantifying Sources of Uncertainty in Deep Learning-Based Image Reconstruction

Riccardo Barbano, Željko Kereta+4 more|arXiv (Cornell University)|Nov 17, 2020

Medical Imaging Techniques and Applications参考文献 21被引用 6

一句话总结

本文提出了一种可扩展的贝叶斯深度学习框架 BDGD+，该框架在基于深度学习的计算机断层扫描（CT）图像重建中同时量化了偶然性不确定性和认知性不确定性。通过将高斯平均场贝叶斯卷积神经网络（CNN）集成到未展开的迭代优化方案中，并采用随机变分推断，该方法在保持竞争性重建质量的同时，提供了可解释的不确定性估计，准确反映了稀疏视角和有限角度设置下的测量限制与信息缺失。

ABSTRACT

Image reconstruction methods based on deep neural networks have shown outstanding performance, equalling or exceeding the state-of-the-art results of conventional approaches, but often do not provide uncertainty information about the reconstruction. In this work we propose a scalable and efficient framework to simultaneously quantify aleatoric and epistemic uncertainties in learned iterative image reconstruction. We build on a Bayesian deep gradient descent method for quantifying epistemic uncertainty, and incorporate the heteroscedastic variance of the noise to account for the aleatoric uncertainty. We show that our method exhibits competitive performance against conventional benchmarks for computed tomography with both sparse view and limited angle data. The estimated uncertainty captures the variability in the reconstructions, caused by the restricted measurement model, and by missing information, due to the limited angle geometry.

研究动机与目标

• 为解决深度学习图像重建方法在敏感领域（如医学影像）中缺乏不确定性量化的问题。
• 开发一种可扩展且高效的框架，同时对学习型迭代重建中的偶然性和认知性不确定性进行建模。
• 将贝叶斯神经网络与未展开的优化方案相结合，实现在不损失性能的前提下实现不确定性感知的重建。
• 证明不确定性估计能够反映测量模型的物理限制，如稀疏视角和有限角度几何结构。

提出的方法

• 该框架通过在确定性特征提取器后附加一个高斯平均场 CNN，扩展了贝叶斯深度梯度下降（BDGD），从而实现不确定性量化。
• 通过在网络权重上进行随机变分推断来建模认知性不确定性，使用平均场高斯族近似后验分布。
• 通过为输入相关噪声方差建模来引入偶然性不确定性，采用独立的贝叶斯卷积头，实现异方差不确定性估计。
• 该架构采用贪婪训练策略，各模块按顺序训练，通过变分推断迭代更新后验近似。
• 损失函数结合了负证据下界（ELBO）与 KL 散度项，以平衡数据保真度与后验近似。
• 该方法应用于基于学习型未展开优化方案的计算机断层扫描重建，前向算子与伴随算子通过 ASTRA 工具包加速。

实验结果

研究问题

• RQ1 基于深度学习的图像重建方法能否以可扩展且高效的方式同时量化偶然性和认知性不确定性？
• RQ2 估计的不确定性在多大程度上反映了由于测量受限或稀疏导致的重建真实变异性？
• RQ3 与确定性基线相比，不确定性量化的引入是否能改善或保持重建质量？
• RQ4 在受限测量几何结构下，不确定性估计是否可解释为重建可靠性有意义的指标？

主要发现

• 所提出的 BDGD+ 框架在稀疏视角和有限角度 CT 任务中，与总变差（TV）、FBP+U-Net、DGD 和 LPD 等传统基准相比，实现了具有竞争力的重建性能。
• BDGD+ 生成的不确定性估计有效捕捉了受限测量模型引起的变异性，尤其在稀疏视角和有限角度场景下表现显著。
• 该方法提供了可解释的不确定性图，其与因几何限制导致的高重建误差区域和信息缺失区域具有强相关性。
• 引入输入相关方差建模（偶然性不确定性）显著提升了鲁棒性和保真度，尤其在低信噪比环境下。
• 贪婪训练策略实现了稳定且高效的优化，不确定性估计在不同数据分布下表现出一致的行为。
• 实验结果表明，不确定性量化并未损害重建质量，反而为临床和安全关键应用提供了宝贵的可解释性。