Structural-Based Uncertainty in Deep Learning Across Anatomical Scales: Analysis in White Matter Lesion Segmentation

要約

この論文では、多発性硬化症 (MS) 患者の磁気共鳴画像法 (MRI) スキャンからの白質病変 (WML) セグメンテーションのコンテキストにおける自動深層学習 (DL) ツールの信頼性の指標としての不確実性定量化 (UQ) について検討します。
私たちの研究は、構造化された出力セグメンテーションタスクにおける不確実性の 2 つの主要な側面に焦点を当てています。
まず、適切な不確実性の尺度は、不確実性の値が高く、不正確である可能性が高い予測を示す必要があると仮定します。
次に、さまざまな解剖学的スケール (ボクセル、病変、または患者) での不確実性を定量化するメリットを調査します。
私たちは、各スケールの不確実性が特定のタイプの誤差に関連していると仮説を立てます。
私たちの研究は、ドメイン内設定とドメイン外設定について個別に分析を行うことで、この関係を確認することを目的としています。
私たちの主な方法論的貢献は、(i) 構造予測の不一致から導出された、病変および患者スケールでの不確実性を定量化するための新しい尺度の開発、および (ii) 両方の領域での UQ パフォーマンスの評価を容易にするための誤差保持曲線分析フレームワークの拡張です。
病変と患者のスケール。
172 人の患者のマルチセントリック MRI データセットからの結果は、ボクセル スケールの不確実性値を平均する測定と比較して、私たちが提案した測定が病変および患者スケールでのモデル誤差をより効果的に捕捉することを示しています。
UQ プロトコルのコードは https://github.com/Medical-Image-Analysis-Laboratory/MS_WML_uncs で提供されています。

要約(オリジナル)

This paper explores uncertainty quantification (UQ) as an indicator of the trustworthiness of automated deep-learning (DL) tools in the context of white matter lesion (WML) segmentation from magnetic resonance imaging (MRI) scans of multiple sclerosis (MS) patients. Our study focuses on two principal aspects of uncertainty in structured output segmentation tasks. Firstly, we postulate that a good uncertainty measure should indicate predictions likely to be incorrect with high uncertainty values. Second, we investigate the merit of quantifying uncertainty at different anatomical scales (voxel, lesion, or patient). We hypothesize that uncertainty at each scale is related to specific types of errors. Our study aims to confirm this relationship by conducting separate analyses for in-domain and out-of-domain settings. Our primary methodological contributions are (i) the development of novel measures for quantifying uncertainty at lesion and patient scales, derived from structural prediction discrepancies, and (ii) the extension of an error retention curve analysis framework to facilitate the evaluation of UQ performance at both lesion and patient scales. The results from a multi-centric MRI dataset of 172 patients demonstrate that our proposed measures more effectively capture model errors at the lesion and patient scales compared to measures that average voxel-scale uncertainty values. We provide the UQ protocols code at https://github.com/Medical-Image-Analysis-Laboratory/MS_WML_uncs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google