Uncertainty quantification for White Matter Hyperintensity segmentation detects silent failures and improves automated Fazekas quantification

要約

白質高信号 (WMH) は、脳 MRI に存在する小血管疾患の重要な神経放射線学的マーカーです。
WMH の評価は研究や臨床において重要です。
しかし、WMH は、形状、位置、サイズ、境界が不明確であり、他の病状 (例: 脳卒中病変) やアーティファクト (例: 頭部の動き) と同様の強度プロファイルのばらつきが大きいため、セグメント化が困難です。
この研究では、セグメンテーションにおける不確実性定量化 (UQ) の最も効果的な手法を、複数のテスト時データ分布にわたる WMH セグメンテーション タスクに適用します。
確率的セグメンテーション ネットワークとディープ アンサンブルを組み合わせると、ドメイン内および分布外のデータで最高のダイスと最低の絶対体積差分 % (AVD) スコアが得られることがわかりました。
我々は、UQ の下流での有用性を実証し、WMH セグメンテーションと UQ マップ用に抽出された空間特徴を使用した臨床 Fazekas スコアの分類のための新しい方法を提案します。
WMH の不確実性情報を組み込むと、Fazekas の分類パフォーマンスとキャリブレーションが向上し、(UQ および空間 WMH 特徴)/(空間 WMH 特徴)/(WMH ボリュームのみ) が 0.71/0.66/0.60 の分類モデルのクラス バランス精度の中央値が向上することを示します。
深部WMHおよび心室周囲WMH領域ではそれぞれ0.82/0.77/0.73。
我々は、高いサンプル多様性を備えた確率的 UQ 技術により、低品質のセグメンテーションの検出を改善できることを実証します。
最後に、UQ 技術によって取得された意味情報を定性的に分析し、モデルによってセグメント化されていない深部白質内の小さな WMH のクラスターを特定しながら、不確実性によって WMH と脳卒中病変の間に曖昧さがある領域が強調表示される可能性があることを実証します。

要約(オリジナル)

White Matter Hyperintensities (WMH) are key neuroradiological markers of small vessel disease present in brain MRI. Assessment of WMH is important in research and clinics. However, WMH are challenging to segment due to their high variability in shape, location, size, poorly defined borders, and similar intensity profile to other pathologies (e.g stroke lesions) and artefacts (e.g head motion). In this work, we apply the most effective techniques for uncertainty quantification (UQ) in segmentation to the WMH segmentation task across multiple test-time data distributions. We find a combination of Stochastic Segmentation Networks with Deep Ensembles yields the highest Dice and lowest Absolute Volume Difference % (AVD) score on in-domain and out-of-distribution data. We demonstrate the downstream utility of UQ, proposing a novel method for classification of the clinical Fazekas score using spatial features extracted for WMH segmentation and UQ maps. We show that incorporating WMH uncertainty information improves Fazekas classification performance and calibration, with median class balanced accuracy for classification models with (UQ and spatial WMH features)/(spatial WMH features)/(WMH volume only) of 0.71/0.66/0.60 in the Deep WMH and 0.82/0.77/0.73 in the Periventricular WMH regions respectively. We demonstrate that stochastic UQ techniques with high sample diversity can improve the detection of poor quality segmentations. Finally, we qualitatively analyse the semantic information captured by UQ techniques and demonstrate that uncertainty can highlight areas where there is ambiguity between WMH and stroke lesions, while identifying clusters of small WMH in deep white matter unsegmented by the model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google