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

Sintesi Tecnica: Scomposizione della Preferenza e dell'Ambiguità per la Segmentazione Controllabile delle Lesioni Mediche

Enunciato del Problema
La segmentazione delle lesioni mediche è intrinsecamente ostacolata dall'incertezza delle immagini, derivante da confini mal definiti, artefatti e forme irregolari dei target medici. Una manifestazione critica di questa incertezza è la variabilità inter-osservatore, dove diversi esperti forniscono annotazioni divergenti per la stessa immagine. Gli approcci esistenti alla segmentazione di immagini mediche multi-annotatore ricadono generalmente in due categorie limitate:

1. Metodi di generazione: Questi producono risultati di segmentazione diversificati ma non riescono a catturare la personalizzazione specifica dell'esperto, generando spesso variazioni che non assomigliano a un comportamento realistico degli esperti.
2. Metodi di personalizzazione: Questi replicano gli output dei singoli annotatori ma mancano della capacità di generare segmentazione diversificata, codificando di fatto le preferenze degli esperti e ignorando l'ambiguità intrinseca dell'immagine.
3. Metodi di crowdsourcing: Questi aggregano molteplici annotazioni in una singola meta-segmentazione, assumendo una singola verità fondamentale e fallendo nel modellare la distribuzione della variabilità degli esperti.

Il documento individua una lacuna nella letteratura: non esiste un approccio efficace in grado di generare simultaneamente risultati di segmentazione che siano sia diversificati (catturando la gamma di disaccordo tra gli esperti) sia personalizzati (allineandosi ad annotazioni specifiche di esperti) all'interno di un quadro unificato.

Metodologia: ProSeg
Gli autori propongono ProSeg (Modellazione probabilistica della segmentazione multi-annotatore), un modello grafico probabilistico (PGM) progettato per unificare diversità e personalizzazione. L'innovazione centrale risiede nell'introduzione di due variabili latenti continue per scomporre le fonti di incertezza:

• $\tau$ (Tau): Modella le variazioni soggettive tra gli annotatori esperti (variabilità inter-osservatore). Viene inferita dall'annotatore esperto specifico $R$.
• $Z$: Modella l'ambiguità nelle scansioni mediche (incertezza intra-immagine). Viene inferita dai dati dell'immagine osservata $X$.

Formulazione Probabilistica
ProSeg modella la distribuzione congiunta $p(Y, x, R)$ delle annotazioni ($Y$), delle immagini ($x$) e degli esperti ($R$). Il modello assume che le annotazioni siano generate condizionatamente in base alle variabili latenti $\tau$ e $Z$.

• Processo Generativo: Il modello definisce distribuzioni condizionate $p(y_{ri} | \tau_i, z_i)$, $p(x | z_i)$ e $p(r_i | \tau_i)$.
• Inferenza Variazionale: Poiché le distribuzioni posteriori delle variabili latenti sono intrattabili, il modello impiega l'inferenza variazionale per approssimarle utilizzando $q(z_i | x)$ e $q(\tau | R)$.
• Obiettivo di Addestramento: Il modello viene addestrato massimizzando il Limite Inferiore dell'Evidenza (ELBO), che minimizza il log-verosimiglianza negativa dei dati osservati (ricostruzione delle immagini, classificazione degli esperti e accuratezza della segmentazione) regolarizzando al contempo le distribuzioni posteriori di $\tau$ e $Z$ affinché corrispondano alle loro prior (Dirichlet per $\tau$ e Gaussiana per $Z$).

Architettura del Modello
L'architettura è composta da cinque moduli di rete neurale:

1. Codificatore di Immagine: Inferisce la variabile latente di ambiguità $z$ dall'immagine $x$.
2. Decodificatore di Immagine: Ricostruisce l'immagine da $z$.
3. Embedding di Classe: Inferisce la variabile latente di preferenza dell'esperto $\tau$ dall'annotatore esperto $R$.
4. Classificatore: Prevede l'annotatore esperto da $\tau$.
5. Predittore di Segmentazione: Genera la segmentazione $y_{ri}$ condizionata sia da $\tau_i$ che da $z_i$.

Meccanismi di Controllo

• Personalizzazione: Specificando un particolare esperto $r$, il modello campiona $\tau$ da $q(\tau | r)$, generando una segmentazione allineata allo stile di quell'esperto specifico, mantenendo la diversità attraverso il campionamento di $z$.
• Diversità: Campionando $\tau$ dalla distribuzione prior $p(\tau)$ (Dirichlet) invece che dalla posterior di un esperto specifico, il modello genera risultati di segmentazione diversificati che rappresentano l'intero spettro della variabilità degli esperti.

Risultati Sperimentali
Gli autori hanno valutato ProSeg su due dataset di riferimento:

1. LIDC-IDRI: Un dataset di noduli polmonari con quattro annotazioni di esperti per immagine.
2. NPC: Un dataset di carcinoma nasofaringeo con quattro radiologi reali, che esibisce una maggiore variabilità nelle preferenze.

Metriche Chiave:

• Diversità: Misurata tramite la Distanza Energetica Generalizzata (GED) e il Soft Dice ($D_{soft}$).
• Personalizzazione: Misurata tramite il Match Dice ($D_{match}$), il Massimo Dice ($D_{max}$) e i punteggi Dice medi rispetto a esperti specifici ($D_{mean}$).

Risultati:

• ProSeg ha raggiunto prestazioni State-of-the-Art (SOTA) su entrambi i dataset.
• Su LIDC-IDRI, ProSeg ha ottenuto la GED più bassa (0,1152) e il più alto $D_{soft}$ (91,53%), superando i metodi di generazione (ad es. Probabilistic U-Net) e i metodi di personalizzazione (ad es. TAB, Pionono).
• Sul dataset NPC, più impegnativo, ProSeg ha migliorato le prestazioni di diversità del 20,71% rispetto ai precedenti metodi SOTA di personalizzazione in termini di GED, mantenendo al contempo un'elevata accuratezza di personalizzazione ($D_{mean} = 82,07\%$).
• Studi di ablazione hanno confermato che entrambe le variabili latenti sono cruciali; la rimozione di $\tau$ o $Z$ ha comportato un significativo degrado delle prestazioni.
• Analisi visiva ha dimostrato che ProSeg genera segmentazioni che sono sia diversificate sia strettamente allineate alla distribuzione "Gold Standard" delle annotazioni degli esperti, mentre altri metodi mancano di diversità o non riescono a corrispondere a preferenze specifiche degli esperti.

Significato e Affermazioni
Il documento afferma che ProSeg è il primo quadro di modellazione probabilistica a unificare la modellazione della diversità e della personalizzazione per la segmentazione di lesioni multi-annotatore. Imparando congiuntamente questi aspetti all'interno di un singolo quadro probabilistico, ProSeg affronta le limitazioni dei metodi esistenti che trattano diversità e personalizzazione come mutualmente esclusivi o richiedono addestramento multi-stadio. Gli autori affermano che ProSeg fornisce un quadro generalizzabile che può essere esteso ad altri compiti di segmentazione di immagini mediche multi-annotatore, offrendo una soluzione robusta per gestire l'incertezza e la variabilità intrinseche nella diagnosi clinica. Il lavoro sottolinea che catturare sia l'ambiguità dell'immagine sia la soggettività dell'annotatore è essenziale per generare output di segmentazione affidabili e clinicamente rilevanti.