Bayesian Uncertainty Estimation by Hamiltonian Monte Carlo: Applications to Cardiac MRI Segmentation

要約

深層学習 (DL) ベースの手法は、幅広い医療画像セグメンテーション タスクで最先端のパフォーマンスを達成しました。
それにもかかわらず、最近の研究では、ディープ ニューラル ネットワーク (DNN) が調整を誤って自信過剰になる可能性があり、臨床応用には危険な「サイレント エラー」が発生する可能性があることが示されています。
ベイジアン統計は、事後確率推定に基づいて、DL 障害検出への直感的なアプローチを提供します。
ただし、ベイジアン DL、特に事後推定は、大規模な医用画像セグメンテーション DNN では扱いが困難です。
この課題に取り組むために、我々は、医療データの拡張に対応するためにコールド事後分析 (CP) によって強化されたハミルトニアン モンテカルロ (HMC) によるベイジアン学習フレームワーク (HMC-CP) を提案します。
HMC 計算については、事後分布のローカルとグローバルの両方の幾何形状をキャプチャする循環アニーリング戦略をさらに提案します。これにより、単一の DNN をトレーニングするのと同じ計算予算要件で高効率のベイジアン DNN トレーニングが可能になります。
結果として得られるベイジアン DNN は、セグメンテーションの不確実性とともにアンサンブル セグメンテーションを出力します。
提案されたHMC-CPを、ドメイン内定常自由歳差運動(SSFP)シネ画像と定量的な$T_1$と$T_2$のドメイン外データセットを使用して、心臓磁気共鳴画像(MRI)セグメンテーションで広範囲に評価します。
マッピング。

要約(オリジナル)

Deep learning (DL)-based methods have achieved state-of-the-art performance for a wide range of medical image segmentation tasks. Nevertheless, recent studies show that deep neural networks (DNNs) can be miscalibrated and overconfident, leading to ‘silent failures’ that are risky} for clinical applications. Bayesian statistics provide an intuitive approach to DL failure detection, based on posterior probability estimation. However, Bayesian DL, and in particular the posterior estimation, is intractable for large medical image segmentation DNNs. To tackle this challenge, we propose a Bayesian learning framework by Hamiltonian Monte Carlo (HMC), tempered by cold posterior (CP) to accommodate medical data augmentation, named HMC-CP. For HMC computation, we further propose a cyclical annealing strategy, which captures both local and global geometries of the posterior distribution, enabling highly efficient Bayesian DNN training with the same computational budget requirements as training a single DNN. The resulting Bayesian DNN outputs an ensemble segmentation along with the segmentation uncertainty. We evaluate the proposed HMC-CP extensively on cardiac magnetic resonance image (MRI) segmentation, using in-domain steady-state free precession (SSFP) cine images as well as out-of-domain datasets of quantitative $T_1$ and $T_2$ mapping.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google