Uncertainty Estimation for Heatmap-based Landmark Localization

要約

自動解剖学的ランドマーク ローカリゼーションは、近年、深層学習手法を活用することで大きな進歩を遂げました。
これらの予測の不確実性を定量化する能力は、これらの方法を臨床現場で採用するために必要な重要な要素であり、誤った予測を見つけて修正することが不可欠です。
Quantile Binning を提案します。これは、推定された誤差限界を伴う不確実性によって予測を分類するためのデータ駆動型の方法です。
私たちのフレームワークは、任意の継続的な不確実性測定に適用でき、推定された誤差範囲を伴う予測の最良のサブセットを簡単に識別することができます。
Quantile Binning から派生した 2 つの評価指標を構築することにより、不確実性測定値間の簡単な比較を容易にします。
2 つのヒートマップ ベースのランドマーク ローカリゼーション モデル パラダイム (U-Net およびパッチ ベース) から派生した 3 つの認識論的不確実性尺度 (2 つのベースライン、および 2 つの側面を組み合わせた提案された方法) を比較対照します。
公開されている Cephalometric データセットを含む 3 つのデータセットの結果を示します。
Quantile Bins で捕捉された全体的な予測ミスを除外することで、許容可能なエラーしきい値を下回る予測の割合が大幅に改善されることを示します。
最後に、固有のランドマークのあいまいさによって偶然の不確実性が高いランドマークに対しても、クォンタイル ビニングが引き続き有効であることを示し、使用する不確実性の尺度とその使用方法に関する推奨事項を提供します。
コードとデータは https://github.com/schobs/qbin で入手できます。

要約(オリジナル)

Automatic anatomical landmark localization has made great strides by leveraging deep learning methods in recent years. The ability to quantify the uncertainty of these predictions is a vital component needed for these methods to be adopted in clinical settings, where it is imperative that erroneous predictions are caught and corrected. We propose Quantile Binning, a data-driven method to categorize predictions by uncertainty with estimated error bounds. Our framework can be applied to any continuous uncertainty measure, allowing straightforward identification of the best subset of predictions with accompanying estimated error bounds. We facilitate easy comparison between uncertainty measures by constructing two evaluation metrics derived from Quantile Binning. We compare and contrast three epistemic uncertainty measures (two baselines, and a proposed method combining aspects of the two), derived from two heatmap-based landmark localization model paradigms (U-Net and patch-based). We show results across three datasets, including a publicly available Cephalometric dataset. We illustrate how filtering out gross mispredictions caught in our Quantile Bins significantly improves the proportion of predictions under an acceptable error threshold. Finally, we demonstrate that Quantile Binning remains effective on landmarks with high aleatoric uncertainty caused by inherent landmark ambiguity, and offer recommendations on which uncertainty measure to use and how to use it. The code and data are available at https://github.com/schobs/qbin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google