Hierarchical Uncertainty Estimation for Medical Image Segmentation Networks

要約

医療画像セグメンテーション モデルの学習は、モデルのトレーニングに使用される画像 (ノイズ) と手動のアノテーション (人的エラーとバイアス) の両方に不確実性が存在するため、本質的にあいまいなタスクです。
信頼できる画像セグメンテーション モデルを構築するには、そのパフォーマンスを評価するだけでなく、モデル予測の不確実性を推定することも重要です。
最先端の画像セグメンテーション ネットワークのほとんどは階層エンコーダ アーキテクチャを採用しており、細かい解像度から粗い解像度までの複数の解像度レベルで画像の特徴を抽出します。
この研究では、この階層的な画像表現を活用し、複数のレベルで不確実性を推定するためのシンプルかつ効果的な方法を提案します。
マルチレベルの不確実性は、スキップ接続モジュールを介してモデル化され、次にサンプリングされて、予測画像セグメンテーション用の不確実性マップが生成されます。
私たちは、U-net などの深層学習セグメンテーション ネットワークが、このような階層的不確実性推定モジュールとともに実装された場合、高いセグメンテーション パフォーマンスを達成できると同時に、分布外の検出に使用できる意味のある不確実性マップを提供できることを実証します。
。

要約(オリジナル)

Learning a medical image segmentation model is an inherently ambiguous task, as uncertainties exist in both images (noise) and manual annotations (human errors and bias) used for model training. To build a trustworthy image segmentation model, it is important to not just evaluate its performance but also estimate the uncertainty of the model prediction. Most state-of-the-art image segmentation networks adopt a hierarchical encoder architecture, extracting image features at multiple resolution levels from fine to coarse. In this work, we leverage this hierarchical image representation and propose a simple yet effective method for estimating uncertainties at multiple levels. The multi-level uncertainties are modelled via the skip-connection module and then sampled to generate an uncertainty map for the predicted image segmentation. We demonstrate that a deep learning segmentation network such as U-net, when implemented with such hierarchical uncertainty estimation module, can achieve a high segmentation performance, while at the same time provide meaningful uncertainty maps that can be used for out-of-distribution detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google