Exploring Structure-Wise Uncertainty for 3D Medical Image Segmentation

要約

ディープ ラーニング モデルを医用画像に適用する場合、モデルの不確実性を推定することが重要です。
ボクセル単位の不確実性は、人間の専門家にとって便利な視覚的マーカーであり、セグメンテーションなど、モデルのボクセル単位の出力を改善するために使用できます。
さらに、不確実性は、分布外 (OOD) 検出の強固な基盤を提供し、画像レベルでモデルのパフォーマンスを向上させます。
ただし、医用画像処理で頻繁に行われるタスクの 1 つは、腫瘍や病変などの明確な局所構造のセグメンテーションです。
ここでは、構造に関する不確実性により、画像単位よりも正確な操作が可能になり、ボクセル単位よりもセマンティックを意識した操作が可能になります。
個々の構造の不確実性を生み出す方法は、まだ十分に調査されていません。
構造に関する不確実性を測定し、モデルのパフォーマンスに対する OOD データの影響を評価するためのフレームワークを提案します。
したがって、セグメンテーション品質を改善するための最適な UE 方式を特定します。
提案されたフレームワークは、腫瘍セグメンテーション タスクを使用して 3 つのデータセットでテストされます: LIDC-IDRI、LiTS、および複数の脳転移症例を含むプライベート データセット。

要約(オリジナル)

When applying a Deep Learning model to medical images, it is crucial to estimate the model uncertainty. Voxel-wise uncertainty is a useful visual marker for human experts and could be used to improve the model’s voxel-wise output, such as segmentation. Moreover, uncertainty provides a solid foundation for out-of-distribution (OOD) detection, improving the model performance on the image-wise level. However, one of the frequent tasks in medical imaging is the segmentation of distinct, local structures such as tumors or lesions. Here, the structure-wise uncertainty allows more precise operations than image-wise and more semantic-aware than voxel-wise. The way to produce uncertainty for individual structures remains poorly explored. We propose a framework to measure the structure-wise uncertainty and evaluate the impact of OOD data on the model performance. Thus, we identify the best UE method to improve the segmentation quality. The proposed framework is tested on three datasets with the tumor segmentation task: LIDC-IDRI, LiTS, and a private one with multiple brain metastases cases.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google