Improving Uncertainty-Error Correspondence in Deep Bayesian Medical Image Segmentation

要約

医療画像のセグメンテーションにおけるディープラーニングなどの自動化ツールの使用が増加し、手動による輪郭作成のボトルネックが軽減されました。
これにより、手作業は、エラーの検出と修正を含む自動化された輪郭の品質評価 (QA) に移行しました。
半自動 QA に対する潜在的な解決策は、深いベイジアン不確実性を使用して、潜在的にエラーのある領域を推奨することで、エラー検出に費やす時間を削減することです。
これまでの研究では、不確実性と誤差の対応関係が調査されてきましたが、不正確な領域にのみ存在し、正確な領域には存在しないようにベイジアン不確実性マップの「有用性」を向上させる取り組みは行われていませんでした。
私たちの研究では、不正確な領域にのみ不確実性が存在するように促進する精度対不確実性 (AvU) 損失を使用して FlipOut モデルをトレーニングします。
この方法を 2 つの放射線治療部位のデータセットに適用します。
頭頸部CTおよび前立腺MRスキャン。
不確実性ヒートマップ (つまり、予測エントロピー) は、受信者動作特性 (ROC) および精度-再現率 (PR) 曲線を使用して、ボクセルの不正確さに対して評価されます。
数値結果は、ベイズベースラインと比較した場合、提案された方法が正確なボクセルについては不確実性を抑制することに成功し、不正確なボクセルについては同様の不確実性が存在することを示しています。
実験を再現するコードは https://github.com/prerakmody/bayesuncertainty-error-correspondence で入手できます。

要約(オリジナル)

Increased usage of automated tools like deep learning in medical image segmentation has alleviated the bottleneck of manual contouring. This has shifted manual labour to quality assessment (QA) of automated contours which involves detecting errors and correcting them. A potential solution to semi-automated QA is to use deep Bayesian uncertainty to recommend potentially erroneous regions, thus reducing time spent on error detection. Previous work has investigated the correspondence between uncertainty and error, however, no work has been done on improving the ‘utility’ of Bayesian uncertainty maps such that it is only present in inaccurate regions and not in the accurate ones. Our work trains the FlipOut model with the Accuracy-vs-Uncertainty (AvU) loss which promotes uncertainty to be present only in inaccurate regions. We apply this method on datasets of two radiotherapy body sites, c.f. head-and-neck CT and prostate MR scans. Uncertainty heatmaps (i.e. predictive entropy) are evaluated against voxel inaccuracies using Receiver Operating Characteristic (ROC) and Precision-Recall (PR) curves. Numerical results show that when compared to the Bayesian baseline the proposed method successfully suppresses uncertainty for accurate voxels, with similar presence of uncertainty for inaccurate voxels. Code to reproduce experiments is available at https://github.com/prerakmody/bayesuncertainty-error-correspondence

arxiv情報

提供元, 利用サービス

arxiv.jp, Google