Towards Reliable WMH Segmentation under Domain Shift: An Application Study using Maximum Entropy Regularization to Improve Uncertainty Estimation

要約

特に多発性硬化症の文脈において、臨床的意思決定には、白質高強度（WMH）の正確なセグメンテーションが重要です。
ただし、MRIマシンタイプのバリエーションや取得パラメーターなどのドメインシフトは、モデル化と不確実性の推定に大きな課題をもたらします。
この研究では、最大エントロピーの正規化手法を提案してモデルのキャリブレーションと不確実性の推定を強化することにより、WMHセグメンテーションに対するドメインシフトの影響を調査します。
これを行うために、U-NETアーキテクチャを使用して実験を行い、2つの公開されたデータセットでこれらの正規化スキームを評価し、サイコロ係数、予想されるキャリブレーションエラー、およびエントロピーベースの不確実性推定値を使用したパフォーマンスを評価しました。
我々の結果は、エントロピーベースの不確実性の推定値がセグメンテーションエラーを予測できることを示しており、最大エントロピーの正規化により、不確実性とセグメンテーションパフォーマンスの相関がさらに強化され、ドメインシフト下でのモデルキャリブレーションが改善されることが示されています。

要約(オリジナル)

Accurate segmentation of white matter hyperintensities (WMH) is crucial for clinical decision-making, particularly in the context of multiple sclerosis. However, domain shifts, such as variations in MRI machine types or acquisition parameters, pose significant challenges to model calibration and uncertainty estimation. This study investigates the impact of domain shift on WMH segmentation by proposing maximum-entropy regularization techniques to enhance model calibration and uncertainty estimation, with the purpose of identifying errors post-deployment using predictive uncertainty as a proxy measure that does not require ground-truth labels. To do this, we conducted experiments using a U-Net architecture to evaluate these regularization schemes on two publicly available datasets, assessing performance with the Dice coefficient, expected calibration error, and entropy-based uncertainty estimates. Our results show that entropy-based uncertainty estimates can anticipate segmentation errors, and that maximum-entropy regularization further strengthens the correlation between uncertainty and segmentation performance while also improving model calibration under domain shift.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google