Lung Nodule Segmentation and Low-Confidence Region Prediction with Uncertainty-Aware Attention Mechanism

要約

タイトル：不確実性意識を持ったアテンション機構による肺結節セグメンテーションと低信頼領域の予測

要約：

– 肺結節のセグメンテーション注釈は、多様な医療経験を持つ放射線技師によって異なる場合があり、セグメンテーションの不確実性が生じる可能性がある。
– 従来の手法では、単一の注釈を学習目標として選択するか、または複数の注釈の潜在空間を学習しようとする。しかし、これらの手法は、様々な注釈の合意や不一致に内在する貴重な情報を無駄にする。
– 本論文では、複数の注釈の合意や不一致を活用してより良いセグメンテーションを促進する不確実性意識を持ったアテンション機構（UAAM）を提案する。このために、低信頼（LC）マスクと高信頼（HC）マスクの組み合わせであるマルチ・コンフィデンス・マスク（MCM）を導入する。
– UAAMに従って、統合、交差、注釈セットの三つの特徴量を生成する不確実性意識モジュールを含むUncertainty-Guide Segmentation Network (UGS-Net)を設計する。
– 最終セグメンテーション、LCマスク、HCマスクの予測をバランスするための三つの特徴量間の距離を使用するIntersection-Union Constraining Moduleも導入される。
– 実験的結果は、UGS-NetがU-Netでセグメンテーションが困難な肺結節に対してセグメンテーションのパフォーマンスを大幅に改善できることを示している。
– 提案されたComplex Nodule Validation on LIDC-IDRIによって、肺結節のセグメンテーション性能を完全に示す。

要約(オリジナル)

Radiologists have different training and clinical experiences, which may result in various segmentation annotations for lung nodules, causing segmentation uncertainty. Conventional methods usually select a single annotation as the learning target or try to learn a latent space of various annotations, but these approaches waste the valuable information of consensus or disagreements ingrained in the multiple annotations. In this paper, we propose an Uncertainty-Aware Attention Mechanism (UAAM) that utilizes consensus and disagreements among multiple annotations to facilitate better segmentation. To achieve this, we introduce the Multi-Confidence Mask (MCM), which is a combination of a Low-Confidence (LC) Mask and a High-Confidence (HC) Mask. The LC mask indicates regions with a low segmentation confidence, which may cause different segmentation options among radiologists. Following UAAM, we further design an Uncertainty-Guide Segmentation Network (UGS-Net), which contains three modules: a Feature Extracting Module that captures a general feature of a lung nodule, an Uncertainty-Aware Module that produces three features for the annotations’ union, intersection, and annotation set, and an Intersection-Union Constraining Module that uses distances between the three features to balance the predictions of final segmentation, LC mask, and HC mask. To fully demonstrate the performance of our method, we propose a Complex Nodule Validation on LIDC-IDRI, which tests UGS-Net’s segmentation performance on lung nodules that are difficult to segment using U-Net. Experimental results demonstrate that our method can significantly improve the segmentation performance on nodules with poor segmentation by U-Net.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI