QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge

要約

医療画像のセグメンテーション作業における不確実性、特にさまざまな専門家による解釈や注釈の違いから生じる評価者間のばらつきは、一貫性のある信頼性の高い画像セグメンテーションを達成する上で大きな課題となっています。
この変動は、医療画像の解釈に固有の複雑さと主観的な性質を反映するだけでなく、自動セグメンテーション アルゴリズムの開発と評価にも直接影響します。
この変動性を正確にモデリングして定量化することは、これらのアルゴリズムの堅牢性と臨床応用性を高めるために不可欠です。
2020 年および 2021 年の医用画像コンピューティングおよびコンピュータ支援介入に関する国際会議 (MICCAI) と併せて開催された生物医学画像定量化チャレンジ (QUBIQ) における不確実性の定量化のセットアップについて報告し、ベンチマーク結果を要約します。
この課題は、画像データセットにおける評価者間のばらつきの遍在性を考慮した医療画像セグメンテーションの不確実性の定量化に焦点を当てています。
マルチ評価者の注釈が付いた画像の大規模なコレクションには、MRI や CT などのさまざまなモダリティが含まれています。
脳、前立腺、腎臓、膵臓などのさまざまな臓器。
2D と 3D では画像の寸法が異なります。
合計 24 のチームが、さまざまなベースライン モデル、ベイジアン ニューラル ネットワーク、アンサンブル モデル手法を組み合わせて、この問題に対するさまざまな解決策を提出しました。
得られた結果は、アンサンブル モデルの重要性と、3D セグメンテーション タスクにおける不確実性定量化手法の効率的な 3D 手法を開発するためのさらなる研究の必要性を示しています。

要約(オリジナル)

Uncertainty in medical image segmentation tasks, especially inter-rater variability, arising from differences in interpretations and annotations by various experts, presents a significant challenge in achieving consistent and reliable image segmentation. This variability not only reflects the inherent complexity and subjective nature of medical image interpretation but also directly impacts the development and evaluation of automated segmentation algorithms. Accurately modeling and quantifying this variability is essential for enhancing the robustness and clinical applicability of these algorithms. We report the set-up and summarize the benchmark results of the Quantification of Uncertainties in Biomedical Image Quantification Challenge (QUBIQ), which was organized in conjunction with International Conferences on Medical Image Computing and Computer-Assisted Intervention (MICCAI) 2020 and 2021. The challenge focuses on the uncertainty quantification of medical image segmentation which considers the omnipresence of inter-rater variability in imaging datasets. The large collection of images with multi-rater annotations features various modalities such as MRI and CT; various organs such as the brain, prostate, kidney, and pancreas; and different image dimensions 2D-vs-3D. A total of 24 teams submitted different solutions to the problem, combining various baseline models, Bayesian neural networks, and ensemble model techniques. The obtained results indicate the importance of the ensemble models, as well as the need for further research to develop efficient 3D methods for uncertainty quantification methods in 3D segmentation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google