[论文解读] Trustworthy Multi-phase Liver Tumor Segmentation via Evidence-based Uncertainty

Chuanfei Hu, Tianyi Xia+6 more|arXiv (Cornell University)|May 9, 2023

Spectroscopy Techniques in Biomedical and Chemical Research被引用 4

一句话总结

该论文提出TMPLiTS，一种基于证据的不确定性估计（通过Dempster-Shafer理论和狄利克雷分布参数化）的可信多期肝脏肿瘤分割统一框架。通过基于理论的多专家混合方案融合多期CT图像，TMPLiTS在与放射科医生标注高度相关（0.969和0.961）且对扰动具有鲁棒性的情况下，实现了最先进性能，从而增强了临床可信度。

ABSTRACT

Multi-phase liver contrast-enhanced computed tomography (CECT) images convey the complementary multi-phase information for liver tumor segmentation (LiTS), which are crucial to assist the diagnosis of liver cancer clinically. However, the performances of existing multi-phase liver tumor segmentation (MPLiTS)-based methods suffer from redundancy and weak interpretability, % of the fused result, resulting in the implicit unreliability of clinical applications. In this paper, we propose a novel trustworthy multi-phase liver tumor segmentation (TMPLiTS), which is a unified framework jointly conducting segmentation and uncertainty estimation. The trustworthy results could assist the clinicians to make a reliable diagnosis. Specifically, Dempster-Shafer Evidence Theory (DST) is introduced to parameterize the segmentation and uncertainty as evidence following Dirichlet distribution. The reliability of segmentation results among multi-phase CECT images is quantified explicitly. Meanwhile, a multi-expert mixture scheme (MEMS) is proposed to fuse the multi-phase evidences, which can guarantee the effect of fusion procedure based on theoretical analysis. Experimental results demonstrate the superiority of TMPLiTS compared with the state-of-the-art methods. Meanwhile, the robustness of TMPLiTS is verified, where the reliable performance can be guaranteed against the perturbations.

研究动机与目标

• 解决现有多期肝脏肿瘤分割方法中可解释性与可靠性不足的问题。
• 在统一框架中联合执行分割与不确定性估计，以提升临床可信度。
• 利用理论基础对多期CECT图像中的分割结果可靠性进行建模。
• 在保持高分割精度的同时，确保对输入扰动的鲁棒性。
• 为临床医生提供可解释的不确定性图，突出显示低置信度区域。

提出的方法

• 使用狄利克雷分布对多期CECT扫描中的分割置信度进行建模，以表示基于证据的不确定性。
• 应用Dempster-Shafer证据理论（DST）将分割与不确定性形式化为用于融合的证据。
• 通过具有理论性能保证的多专家混合方案（MEMS）融合来自不同期相的证据。
• 该框架支持各期相独立、可解释的分割与不确定性估计，随后实现可靠的融合。
• 该方法设计为对输入扰动（包括噪声和缺失期相）具有鲁棒性。
• 在模型复杂度上实现平衡，以确保效率，同时不牺牲可靠性或准确性。

实验结果

研究问题

• RQ1 统一框架能否在多期肝脏肿瘤分割中同时实现高精度分割与可靠的不确定性估计？
• RQ2 如何显式量化并解释多期CT扫描中分割结果的可靠性？
• RQ3 基于理论的融合机制能否提高多期特征融合的效率并减少冗余？
• RQ4 在输入扰动（如噪声或缺失期相）下，所提方法的性能表现如何？
• RQ5 模型预测与放射科医生标注的肿瘤体积在多大程度上相关？

主要发现

• 在内部验证集上，TMPLiTS预测的肿瘤体积与放射科医生标注的肿瘤体积之间的相关系数为0.969。
• 在外部验证集上，该方法的相关系数达到0.961，表明与专家标注具有强一致性。
• 该框架对三种类型的扰动（包括噪声和缺失期相）表现出鲁棒性，性能保持可靠。
• TMPLiTS生成的不确定性热图能有效突出显示低置信度区域，如不完整囊肿或可疑模式，有助于临床解读。
• 多专家混合方案（MEMS）确保了理论合理的融合，相比经验性融合模块，显著减少了冗余并提升了效率。
• 通过狄利克雷分布实现的基于证据的不确定性整合，实现了对各期相中模型可靠性的显式、可解释的量化。