Probabilistic Modeling of Inter- and Intra-observer Variability in Medical Image Segmentation

要約

医療画像のセグメンテーションは、特に医療専門家間であっても観察者間および観察者内のばらつきがあるため、困難な作業です。
この論文では、Probabilistic Inter-Observer and iNtra-Observervariation NetwOrk (Pionono) と呼ばれる新しいモデルを提案します。
各評価者のラベル付け動作を多次元確率分布でキャプチャし、この情報を画像の特徴マップと統合して、確率的セグメンテーション予測を生成します。
モデルは変分推論によって最適化されており、エンドツーエンドでトレーニングできます。
これは、STAPLE、確率論的 U-Net、混同行列に基づくモデルなどの最先端のモデルよりも優れたパフォーマンスを発揮します。
さらに、Pionono は、評価者の専門家の意見を模倣する複数の一貫したセグメンテーション マップを予測し、診断プロセスに追加の貴重な情報を提供します。
現実世界のがんセグメンテーション データセットの実験では、Pionono が医療画像分析の強力なツールとなる高精度と効率性を示しています。

要約(オリジナル)

Medical image segmentation is a challenging task, particularly due to inter- and intra-observer variability, even between medical experts. In this paper, we propose a novel model, called Probabilistic Inter-Observer and iNtra-Observer variation NetwOrk (Pionono). It captures the labeling behavior of each rater with a multidimensional probability distribution and integrates this information with the feature maps of the image to produce probabilistic segmentation predictions. The model is optimized by variational inference and can be trained end-to-end. It outperforms state-of-the-art models such as STAPLE, Probabilistic U-Net, and models based on confusion matrices. Additionally, Pionono predicts multiple coherent segmentation maps that mimic the rater’s expert opinion, which provides additional valuable information for the diagnostic process. Experiments on real-world cancer segmentation datasets demonstrate the high accuracy and efficiency of Pionono, making it a powerful tool for medical image analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google