Instance-level quantitative saliency in multiple sclerosis lesion segmentation

要約

近年、人工知能の説明可能な手法 (XAI) により、分類タスクの場合のモデルの決定メカニズムを明らかにし、記述することが試みられています。
ただし、セマンティック セグメンテーション、特に単一インスタンスの XAI は、これまでほとんど研究されていません。
単一インスタンスの自動セグメンテーションの基礎となるプロセスを理解することは、特定の対象オブジェクトの検出とセグメント化にどのような情報が使用されたかを明らかにするために重要です。
この研究では、SmoothGrad および Grad-CAM++ メソッドに基づくセマンティック セグメンテーションのための 2 つのインスタンス レベルの説明マップを提案しました。
次に、多発性硬化症 (MS) における磁気共鳴画像 (MRI) バイオマーカーである白質病変 (WML) の検出とセグメンテーションとの関連性を調査しました。
スイスのバーゼル大学病院では、合計 4,043 回の FLAIR および MPRAGE MRI スキャンにより MS と診断された 687 人の患者が収集されました。
データは、MS 病変セグメンテーション用の 3D U-Net をトレーニングするために、トレーニング、検証、およびテスト セットにランダムに分割されました。
3,050 件の真陽性 (TP)、1,818 件の偽陽性 (FP)、および 789 件の偽陰性 (FN) のケースが観察されました。
私たちは、SmoothGrad と Grad-CAM++ に基づく 2 つの XAI メソッドを開発することにより、セマンティック セグメンテーション用のインスタンス レベルの説明マップを生成しました。
1) 両方の入力 MRI シーケンスに関する顕著性マップの勾配の分布。
2) 合成病変の場合のモデルの応答。
3) 病変をセグメント化するためにモデルが必要とする病変周囲組織の量。
FLAIR の顕著性マップ (SmoothGrad に基づく) では、病変内部では正の値が示され、その近傍では負の値が示されました。
これら 4 つのボリューム グループに対して生成された顕著性マップのピーク値は、互いに大きく異なる分布を示し、提案された顕著性の定量的な性質を示唆しています。
それらのセグメンテーションには、病変境界の周囲 7 mm のコンテキスト情報が必要でした。

要約(オリジナル)

In recent years, explainable methods for artificial intelligence (XAI) have tried to reveal and describe models’ decision mechanisms in the case of classification tasks. However, XAI for semantic segmentation and in particular for single instances has been little studied to date. Understanding the process underlying automatic segmentation of single instances is crucial to reveal what information was used to detect and segment a given object of interest. In this study, we proposed two instance-level explanation maps for semantic segmentation based on SmoothGrad and Grad-CAM++ methods. Then, we investigated their relevance for the detection and segmentation of white matter lesions (WML), a magnetic resonance imaging (MRI) biomarker in multiple sclerosis (MS). 687 patients diagnosed with MS for a total of 4043 FLAIR and MPRAGE MRI scans were collected at the University Hospital of Basel, Switzerland. Data were randomly split into training, validation and test sets to train a 3D U-Net for MS lesion segmentation. We observed 3050 true positive (TP), 1818 false positive (FP), and 789 false negative (FN) cases. We generated instance-level explanation maps for semantic segmentation, by developing two XAI methods based on SmoothGrad and Grad-CAM++. We investigated: 1) the distribution of gradients in saliency maps with respect to both input MRI sequences; 2) the model’s response in the case of synthetic lesions; 3) the amount of perilesional tissue needed by the model to segment a lesion. Saliency maps (based on SmoothGrad) in FLAIR showed positive values inside a lesion and negative in its neighborhood. Peak values of saliency maps generated for these four groups of volumes presented distributions that differ significantly from one another, suggesting a quantitative nature of the proposed saliency. Contextual information of 7mm around the lesion border was required for their segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google