Uncertainty Estimation and Out-of-Distribution Detection for Deep Learning-Based Image Reconstruction using the Local Lipschitz

要約

正確な画像再構成は、医用画像診断の中核をなす。画像再構成を含む逆問題を解くために、教師あり深層学習ベースのアプローチが研究されてきた。しかし、これらの学習済みモデルは、展開中に学習データから大きくずれた未知のデータ分布に遭遇する。したがって、与えられた入力が診断目的の訓練データ分布に含まれるかどうかを評価することが不可欠である。不確実性推定アプローチは存在するが、訓練分布の適合性を評価するのではなく、放射線科医に不確実性マップを提供することに重点を置いている。本研究では、局所リプシッツベースのメトリックに基づき、分布外画像と分布内画像を99.94%の曲線下面積で区別する手法を提案する。経験的に、局所リプシッツ値と平均絶対誤差(MAE)の間に非常に強い関係があることを示し、0.8475という高いスピアマンの順位相関係数に裏付けられた。偽陽性の特定を通じて、局所的なリプシッツとMAEの関係は、データ増強とモデルの不確実性の低減を導くために使用された。我々の研究は、センサーから画像への磁気共鳴画像（MRI）再構成のためのAUTOMAPアーキテクチャを用いて検証された。提案するアプローチをベースライン手法と比較する：さらに、UNETアーキテクチャを用いたMRIノイズ除去やコンピュータ断層撮影（CT）スパースからフルビューへの再構成を含む解析を行った。特に、再構成画像の診断精度を維持することが最も重要である医療画像再構成の領域において、我々のアプローチが様々なアーキテクチャや学習関数に適用可能であることを示す。

要約(オリジナル)

Accurate image reconstruction is at the heart of diagnostics in medical imaging. Supervised deep learning-based approaches have been investigated for solving inverse problems including image reconstruction. However, these trained models encounter unseen data distributions that are widely shifted from training data during deployment. Therefore, it is essential to assess whether a given input falls within the training data distribution for diagnostic purposes. Uncertainty estimation approaches exist but focus on providing an uncertainty map to radiologists, rather than assessing the training distribution fit. In this work, we propose a method based on the local Lipschitz-based metric to distinguish out-of-distribution images from in-distribution with an area under the curve of 99.94%. Empirically, we demonstrate a very strong relationship between the local Lipschitz value and mean absolute error (MAE), supported by a high Spearman’s rank correlation coefficient of 0.8475, which determines the uncertainty estimation threshold for optimal model performance. Through the identification of false positives, the local Lipschitz and MAE relationship was used to guide data augmentation and reduce model uncertainty. Our study was validated using the AUTOMAP architecture for sensor-to-image Magnetic Resonance Imaging (MRI) reconstruction. We compare our proposed approach with baseline methods: Monte-Carlo dropout and deep ensembles, and further analysis included MRI denoising and Computed Tomography (CT) sparse-to-full view reconstruction using UNET architectures. We show that our approach is applicable to various architectures and learned functions, especially in the realm of medical image reconstruction, where preserving the diagnostic accuracy of reconstructed images remains paramount.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL