CRISP – Reliable Uncertainty Estimation for Medical Image Segmentation

要約

正確な不確実性の推定は、医用画像コミュニティにとって非常に重要です。
さまざまな方法が提案されており、分類の不確実性推定手法を直接拡張したものです。
多くの場合、ニューラルネットワークの確率的解釈に基づく独立したピクセル単位の不確実性の推定は、解剖学的な事前知識を考慮に入れておらず、その結果、多くのセグメンテーションタスクに最適ではない結果を提供します。
このため、不確実性予測法のためのContRastiveImageSegmentationをCRISPに提案します。
CRISPは、そのコアで、有効なセグメンテーションとそれに対応する画像の分布をエンコードする共同潜在空間を学習するための対照的な方法を実装しています。
この共同潜在空間を使用して、予測を数千の潜在ベクトルと比較し、解剖学的に一貫した不確実性マップを提供します。
異なるモダリティと臓器を含む4つの医用画像データベースで実施された包括的な研究は、最先端のアプローチと比較した私たちの方法の優位性を強調しています。

要約(オリジナル)

Accurate uncertainty estimation is a critical need for the medical imaging community. A variety of methods have been proposed, all direct extensions of classification uncertainty estimations techniques. The independent pixel-wise uncertainty estimates, often based on the probabilistic interpretation of neural networks, do not take into account anatomical prior knowledge and consequently provide sub-optimal results to many segmentation tasks. For this reason, we propose CRISP a ContRastive Image Segmentation for uncertainty Prediction method. At its core, CRISP implements a contrastive method to learn a joint latent space which encodes a distribution of valid segmentations and their corresponding images. We use this joint latent space to compare predictions to thousands of latent vectors and provide anatomically consistent uncertainty maps. Comprehensive studies performed on four medical image databases involving different modalities and organs underlines the superiority of our method compared to state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google