Probabilistic Modeling of Multi-rater Medical Image Segmentation for Diversity and Personalization

Résumé technique : Découplage de la préférence et de l'ambiguïté pour une segmentation contrôlable des lésions médicales

Énoncé du problème
La segmentation des lésions médicales est intrinsèquement confrontée à l'incertitude d'imagerie, découlant de contours mal définis, d'artefacts et de formes irrégulières des cibles médicales. Une manifestation critique de cette incertitude est la variabilité inter-observateur, où différents experts fournissent des annotations divergentes pour la même image. Les approches existantes pour la segmentation d'images médicales multi-évaluateurs se divisent généralement en deux catégories limitées :

1. Méthodes de génération : Elles produisent des résultats de segmentation diversifiés mais échouent à capturer la personnalisation spécifique à l'expert, générant souvent des variations qui ne ressemblent pas à un comportement d'expert réaliste.
2. Méthodes de personnalisation : Elles répliquent les sorties d'annotateurs individuels mais manquent de capacité à générer une segmentation diversifiée, codant en quelque sorte les préférences de l'expert de manière rigide et ignorant l'ambiguïté inhérente de l'image.
3. Méthodes de crowdsourcing : Elles agrègent plusieurs annotations en une seule méta-segmentation, en supposant une vérité terrain unique et en échouant à modéliser la distribution de la variabilité des experts.

L'article identifie un vide dans la littérature : il n'existe aucune approche efficace capable de générer simultanément des résultats de segmentation à la fois diversifiés (capturant l'étendue des désaccords entre experts) et personnalisés (s'alignant sur des annotations d'experts spécifiques) au sein d'un cadre unifié.

Méthodologie : ProSeg
Les auteurs proposent ProSeg (Modélisation probabiliste de la segmentation multi-évaluateurs), un modèle graphique probabiliste (PGM) conçu pour unifier la diversité et la personnalisation. L'innovation centrale réside dans l'introduction de deux variables latentes continues pour découpler les sources d'incertitude :

• $\tau$ (Tau) : Modélise les variations subjectives entre les annotateurs experts (variabilité inter-observateur). Elle est inférée à partir de l'annotateur expert spécifique $R$.
• $Z$ : Modélise l'ambiguïté dans les scanners médicaux (incertitude intra-image). Elle est inférée à partir des données d'image observées $X$.

Formulation probabiliste
ProSeg modélise la distribution conjointe $p(Y, x, R)$ des annotations ($Y$), des images ($x$) et des experts ($R$). Le modèle suppose que les annotations sont générées conditionnellement en fonction des variables latentes $\tau$ et $Z$.

• Processus génératif : Le modèle définit des distributions conditionnelles $p(y_{ri} | \tau_i, z_i)$, $p(x | z_i)$ et $p(r_i | \tau_i)$.
• Inférence variationnelle : Puisque les distributions a posteriori des variables latentes sont intraitables, le modèle emploie l'inférence variationnelle pour les approximer en utilisant $q(z_i | x)$ et $q(\tau | R)$.
• Objectif d'entraînement : Le modèle est entraîné en maximisant la borne inférieure de la vraisemblance (ELBO), ce qui minimise le logarithme négatif de la vraisemblance des données observées (reconstruction d'images, classification des experts et précision de segmentation) tout en régularisant les distributions a posteriori de $\tau$ et $Z$ pour qu'elles correspondent à leurs a priori (Dirichlet pour $\tau$ et Gaussien pour $Z$).

Architecture du modèle
L'architecture se compose de cinq modules de réseaux de neurones :

1. Encodeur d'image : Infère la variable latente d'ambiguïté $z$ à partir de l'image $x$.
2. Décodeur d'image : Reconstruit l'image à partir de $z$.
3. Embedding de classe : Infère la variable latente de préférence de l'expert $\tau$ à partir de l'annotateur expert $R$.
4. Classifieur : Prédit l'annotateur expert à partir de $\tau$.
5. Prédicteur de segmentation : Génère la segmentation $y_{ri}$ conditionnée à la fois par $\tau_i$ et $z_i$.

Mécanismes de contrôle

• Personnalisation : En spécifiant un expert particulier $r$, le modèle échantillonne $\tau$ à partir de $q(\tau | r)$, générant une segmentation alignée sur le style de cet expert spécifique tout en maintenant la diversité via l'échantillonnage de $z$.
• Diversité : En échantillonnant $\tau$ à partir de la distribution a priori $p(\tau)$ (Dirichlet) plutôt que de l'a posteriori d'un expert spécifique, le modèle génère des résultats de segmentation diversifiés représentant le spectre complet de la variabilité des experts.

Résultats expérimentaux
Les auteurs ont évalué ProSeg sur deux jeux de données de référence :

1. LIDC-IDRI : Un jeu de données de nodules pulmonaires avec quatre annotations d'experts par image.
2. NPC : Un jeu de données de carcinome nasopharyngé avec quatre radiologues réels, présentant une variabilité plus élevée dans les préférences.

Métriques clés :

• Diversité : Mesurée par la distance énergétique généralisée (GED) et le Dice souple ($D_{soft}$).
• Personnalisation : Mesurée par le Dice de correspondance ($D_{match}$), le Dice maximal ($D_{max}$) et les scores Dice moyens par rapport à des experts spécifiques ($D_{mean}$).

Constats :

• ProSeg a obtenu des performances de l'état de l'art (SOTA) sur les deux jeux de données.
• Sur LIDC-IDRI, ProSeg a obtenu la GED la plus faible (0,1152) et le $D_{soft}$ le plus élevé (91,53 %), surpassant les méthodes de génération (par exemple, Probabilistic U-Net) et les méthodes de personnalisation (par exemple, TAB, Pionono).
• Sur le jeu de données NPC plus difficile, ProSeg a amélioré les performances de diversité de 20,71 % par rapport aux méthodes de personnalisation SOTA précédentes en termes de GED, tout en maintenant une haute précision de personnalisation ($D_{mean} = 82,07\%$).
• Des études d'ablation ont confirmé que les deux variables latentes sont cruciales ; la suppression de $\tau$ ou de $Z$ a entraîné une dégradation significative des performances.
• L'analyse visuelle a démontré que ProSeg génère des segmentations à la fois diversifiées et étroitement alignées sur la distribution « Gold Standard » des annotations d'experts, tandis que d'autres méthodes manquent soit de diversité, soit échouent à correspondre aux préférences spécifiques des experts.

Signification et affirmations
L'article affirme que ProSeg est le premier cadre de modélisation probabiliste à unifier la modélisation de la diversité et de la personnalisation pour la segmentation de lésions multi-évaluateurs. En apprenant conjointement ces aspects au sein d'un seul cadre probabiliste, ProSeg répond aux limitations des méthodes existantes qui traitent la diversité et la personnalisation comme mutuellement exclusives ou nécessitant un entraînement multi-étapes. Les auteurs affirment que ProSeg fournit un cadre généralisable qui peut être étendu à d'autres tâches de segmentation d'images médicales multi-évaluateurs, offrant une solution robuste pour gérer l'incertitude et la variabilité inhérentes au diagnostic clinique. Le travail met en évidence que la capture à la fois de l'ambiguïté de l'image et de la subjectivité de l'annotateur est essentielle pour générer des résultats de segmentation fiables et cliniquement pertinents.