Maximum Entropy on Erroneous Predictions (MEEP): Improving model calibration for medical image segmentation

要約

最新のディープニューラルネットワークは、医療画像のセグメンテーションタスクにおいて目覚ましい進歩を遂げた。しかし、最近、不確実性が高い状況でも過信した推定値を生成する傾向があり、較正が不十分で信頼性の低いモデルにつながることが観察されている。本研究では、セグメンテーションネットワークの学習戦略として、誤分類された画素のみに着目し、過信的な予測に選択的にペナルティを与えるMaximum Entropy on Erroneous Predictions (MEEP) を紹介する。本手法は、ニューラルアーキテクチャに依存せず、モデルの複雑さを増加させず、複数のセグメンテーション損失関数と結合することが可能である。脳の磁気共鳴画像（MRI）における白質高強度病変と、心臓MRIにおける心房のセグメンテーションという、2つの困難なセグメンテーションタスクにおいて、提案する戦略をベンチマークした。実験結果は、MEEPを標準的なセグメンテーション損失と組み合わせることで、モデルキャリブレーションだけでなく、セグメンテーションの品質も向上することを示している。

要約(オリジナル)

Modern deep neural networks achieved remarkable progress in medical image segmentation tasks. However, it has recently been observed that they tend to produce overconfident estimates, even in situations of high uncertainty, leading to poorly calibrated and unreliable models. In this work we introduce Maximum Entropy on Erroneous Predictions (MEEP), a training strategy for segmentation networks which selectively penalizes overconfident predictions, focusing only on misclassified pixels. Our method is agnostic to the neural architecture, does not increase model complexity and can be coupled with multiple segmentation loss functions. We benchmark the proposed strategy in two challenging segmentation tasks: white matter hyperintensity lesions in magnetic resonance images (MRI) of the brain, and atrial segmentation in cardiac MRI. The experimental results demonstrate that coupling MEEP with standard segmentation losses leads to improvements not only in terms of model calibration, but also in segmentation quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL