Beyond Voxel Prediction Uncertainty: Identifying brain lesions you can trust

要約

ディープ ニューラル ネットワークは、3D 医療画像の自動セグメンテーションのゴールド スタンダード アプローチになりました。
しかし、臨床医による完全な受け入れは、提供された結果のわかりやすい不確実性評価の欠如によって妨げられたままである.
人気のあるモンテカルロ ドロップアウトなど、不確実性を定量化するほとんどのアプローチは、ボクセル レベルでの予測における不確実性の尺度に制限されています。
真の医学的不確実性と明確に関連していないことに加えて、これは臨床的に満足できるものではありません。これは、ほとんどの関心対象 (脳病変など) がボクセルのグループで構成されており、その全体的な関連性が個々の不確実性の合計または平均に単純に還元されない可能性があるためです。
この作業では、モンテカルロ ドロップアウト モデルの出力からトレーニングされた革新的なグラフ ニューラル ネットワーク アプローチを使用して、ボクセル単位の評価を超えることを提案します。
このネットワークにより、ボクセルの不確実性の 3 つの推定量 (エントロピー、分散、およびモデルの信頼度) の融合が可能になります。
形状や大きさに関係なく、あらゆる病変に適用できます。
多発性硬化症病変セグメンテーションのタスクでの不確実性推定に対するアプローチの優位性を示します。

要約(オリジナル)

Deep neural networks have become the gold-standard approach for the automated segmentation of 3D medical images. Their full acceptance by clinicians remains however hampered by the lack of intelligible uncertainty assessment of the provided results. Most approaches to quantify their uncertainty, such as the popular Monte Carlo dropout, restrict to some measure of uncertainty in prediction at the voxel level. In addition not to be clearly related to genuine medical uncertainty, this is not clinically satisfying as most objects of interest (e.g. brain lesions) are made of groups of voxels whose overall relevance may not simply reduce to the sum or mean of their individual uncertainties. In this work, we propose to go beyond voxel-wise assessment using an innovative Graph Neural Network approach, trained from the outputs of a Monte Carlo dropout model. This network allows the fusion of three estimators of voxel uncertainty: entropy, variance, and model’s confidence; and can be applied to any lesion, regardless of its shape or size. We demonstrate the superiority of our approach for uncertainty estimate on a task of Multiple Sclerosis lesions segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google