PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation

要約

医療イメージングの領域では、セグメンテーションのための多くの監視された学習ベースの方法には、複数の専門家からの注釈の高い変動性、ラベル付きデータの不足、クラスの不均衡なデータセットなど、いくつかの課題に直面しています。
これらの問題は、臨床分析に必要な精度を欠いているセグメンテーションを引き起こす可能性があり、関連する不確実性の定量化なしに誤解を招くほど自信を持っている可能性があります。
この作業では、小さなデータセットでも、専門家の注釈の変動性を正確にキャプチャする生物医学的画像セグメンテーションのための計算効率的な生成ツールとしてPulaskiメソッドを提案しています。
このアプローチは、特にクラスの不均衡な問題における標準的な交差点と比較して条件付きデコーダーの学習を改善する条件付き変分自動エンコーダー構造（確率的UNET）の統計距離に基づいて改善された損失関数を利用します。
提案された方法は、2つの構造的に異なるセグメンテーションタスク（頭蓋内血管と多発性硬化症（MS）病変）に対して分析され、定量的メトリックと定性的出力の観点から、4つの十分に確立されたベースラインと結果を比較しました。
これらの実験には、準最適な信号対雑音比や高い曖昧さなど、挑戦的な機能を特徴とするクラスの均等なデータセットが含まれます。
経験的結果は、Pulaskiメソッドが5 \％の有意水準ですべてのベースラインよりも優れていることを示しています。
私たちの実験は、3Dパッチを使用した複雑なジオメトリの計算可能なセグメンテーションと2Dスライスの従来の使用の比較研究を最初に提示したものでもあります。
生成されたセグメンテーションは、特に容器タスクの場合、2Dケースよりも解剖学的にもっともらしいことが示されています。

要約(オリジナル)

In the domain of medical imaging, many supervised learning based methods for segmentation face several challenges such as high variability in annotations from multiple experts, paucity of labelled data and class imbalanced datasets. These issues may result in segmentations that lack the requisite precision for clinical analysis and can be misleadingly overconfident without associated uncertainty quantification. This work proposes the PULASki method as a computationally efficient generative tool for biomedical image segmentation that accurately captures variability in expert annotations, even in small datasets. This approach makes use of an improved loss function based on statistical distances in a conditional variational autoencoder structure (Probabilistic UNet), which improves learning of the conditional decoder compared to the standard cross-entropy particularly in class imbalanced problems. The proposed method was analysed for two structurally different segmentation tasks (intracranial vessel and multiple sclerosis (MS) lesion) and compare our results to four well-established baselines in terms of quantitative metrics and qualitative output. These experiments involve class-imbalanced datasets characterised by challenging features, including suboptimal signal-to-noise ratios and high ambiguity. Empirical results demonstrate the PULASKi method outperforms all baselines at the 5\% significance level. Our experiments are also of the first to present a comparative study of the computationally feasible segmentation of complex geometries using 3D patches and the traditional use of 2D slices. The generated segmentations are shown to be much more anatomically plausible than in the 2D case, particularly for the vessel task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google