Robust Conformal Volume Estimation in 3D Medical Images

要約

ボリュームメトリは、異常な組織増殖の検出や手術計画など、3D 医用画像セグメンテーションの主要な下流アプリケーションの 1 つです。
等角予測は不確実性を定量化するための有望なフレームワークであり、自動体積測定に関連する校正された予測間隔を提供します。
ただし、この方法論は、キャリブレーション サンプルとテスト サンプルが交換可能であるという仮説に基づいており、医療画像アプリケーションではこの前提が実際に破られることがよくあります。
この問題を軽減するために、等角予測の加重定式化を組み立てることができますが、医療分野における実証的調査はまだ不足しています。
考えられる理由は、キャリブレーション分布とテスト分布の間の密度比の推定に依存しているためであり、高次元データを含むシナリオではこれが困難である可能性があります。
これを回避するために、セグメンテーション モデルによって生成された圧縮された潜在表現に依存した密度比推定の効率的なアプローチを提案します。
私たちの実験は、合成設定と現実世界の設定の両方で、共変量シフトが存在する場合のカバレッジ エラーを削減するためのアプローチの効率を実証しています。
私たちの実装は https://github.com/benolmbrt/wcp_miccai で入手できます。

要約(オリジナル)

Volumetry is one of the principal downstream applications of 3D medical image segmentation, for example, to detect abnormal tissue growth or for surgery planning. Conformal Prediction is a promising framework for uncertainty quantification, providing calibrated predictive intervals associated with automatic volume measurements. However, this methodology is based on the hypothesis that calibration and test samples are exchangeable, an assumption that is in practice often violated in medical image applications. A weighted formulation of Conformal Prediction can be framed to mitigate this issue, but its empirical investigation in the medical domain is still lacking. A potential reason is that it relies on the estimation of the density ratio between the calibration and test distributions, which is likely to be intractable in scenarios involving high-dimensional data. To circumvent this, we propose an efficient approach for density ratio estimation relying on the compressed latent representations generated by the segmentation model. Our experiments demonstrate the efficiency of our approach to reduce the coverage error in the presence of covariate shifts, in both synthetic and real-world settings. Our implementation is available at https://github.com/benolmbrt/wcp_miccai

arxiv情報

提供元, 利用サービス

arxiv.jp, Google