Interpretable Probabilistic Medical Image Segmentation via Gaussian Process with Explicit Modelling of Annotation Bias and Variability

기술 요약: 가우시안 프로세스를 통한 해석 가능한 확률적 의료 영상 분할: 주석 편향 및 변동성의 명시적 모델링

문제 정의
딥러닝 기반의 의료 영상 분할은 본질적으로 체계적인 편향과 다양한 검사자 간의 변동성을 포함하는 주석 데이터에 의존한다. 기존의 확률적 다중 검사자(multi-rater) 접근 방식은 검사자 특유의 구획을 모사할 수는 있지만, 일반적으로 검사자의 특성을 딥러เรียน latent feature 공간 내에 암묵적으로 인코딩한다. 이러한 암묵적 인코딩은 특정 검사자의 편향과 변동성이 예측 분포로 어떻게 전파되는지 직접적으로 분석하는 것을 어렵게 만든다. 결과적으로, 이미지 자체의 모호성에서 기인하는 불확실성과 불완전한 감독(supervision)으로 인해 발생하는 불확실성을 구분하는 것이 어려워지며, 이는 안전이 중요한 임상 환경에서 데이터셋 큐레이션 전략을 최적화하거나 특정 오류 원인을 완화하는 데 한계로 작만큼 작용한다.

방법론
저자들은 이미지에 의존적인 참조 분포와 검사자별 섭동(perturbation)으로 예측을 명시적으로 분해하는 로그 스페이스(logit-space) 확률적 분할 프레임워크인 확률적 변분 가우시안 프로세스(SVGP)를 제안한다.

1. 로그 스페이스 재구성: 모델은 예측 분포 $p(y|x, a)$를 참조 로짓 $l^{(0)}$(순수하게 이미지 콘텐츠에 기반한 이상적이고 노이즈가 없는 감독을 나타냄)와 검사자별 섭동으로 분리한다. 관찰된 주석은 검사자별 편향 $\mu_a$와 분산 $\sigma^2_a$에 의해 매개되는 참조 로짓에 대한 가법적 섭동으로 모델링된다.
   $$p(l | l^{(0)}, a) = \prod_{i=1}^P \mathcal{N}(l^{(0)}_i + \mu_a, \sigma^2_a)$$
   이 공식화는 이미지의 고유한 불확실성($p(l^{(0)}|x)$)을 감독으로 인한 이동(shift) 및 분산으로부터 분리할 수 있게 한다.

2. 딥 커널 가우시안 프로세스: 참조 로짓 $l^{(0)}$은 딥 커널을 가진 가우시안 프로세스(GP)를 사용하여 모델링된다. 합성곱 특징 추출기(U-Net)가 입력 영상을 잠재 특징으로 매핑하며, 이 특징들은 GP의 입력값 역할을 한다. GP 사전 확률(prior)은 대칭적 양의 준정부호 커널(예: RBF)을 사용하여 이 특징들 위에서 정의된다.

3. 확률적 변분 추론: 대규모 픽셀 단위 데이터셋($N = V \times P$)에 대한 계산 불가능한 정확한 GP 추론을 처리하기 위해, 저자들은 유도 지점(inducing points) $M$개를 활용하여 사후 분포를 근사함으로써 확장 가능한 훈련을 가능하게 하는 확률적 변분 가우시안 프로세스(SVGP)를 채택한다.

4. 폐쇄형 예측 확률: 이 공식화의 주요 장점은 이진 분할을 위한 폐쇄형(closed-form) 예측 확률을 도출한다는 점이다. GP 예측 분포에 대해 가우시안 섭동을 적분함으로써, 모델은 다음과 같은 결과를 얻는다:
   $$p_{*,a} = \Phi\left( \frac{\tau + \mu_a}{\sqrt{1 + \eta^2 + \sigma^2_a}} \right)$$
   여기서 $\tau$와 $\eta^2$은 참조 로짓의 평균과 분산을 나타내며, $\Phi$는 표준 정규 누적 분포 함수(역 프로빗 링크)이다.

5. 훈련 목적 함수: 모델은 이진 크로스 엔트로피(BCE), KL 발산(변분 근사를 위함), 그리고 소프트 다이스 손실(soft Dice loss)을 결합한 손실 함수를 사용하여 훈련된다. 학습 가능한 파라미터에는 특징 추출기 가중치, 커널 하이퍼파라미터, 유도 입력, 변분 파라미터, 그리고 각 검사자에 대한 명시적 편향/분산 파라미터가 포함된다.

주요 기여

• 명시적 매개변수화: 프레임워크는 암묵적인 잠재 표현에서 벗어나 로그 스페이스에서 검사자별 편향과 분산을 명시적으로 매개변수화한다.
• 해석 가능성 및 민감도 분석: 폐쇄형 솔루션은 직접적인 민감도 분석을 가능하게 하여, 연구자들이 검사자 편향과 변동성의 변화가 예측 성능과 불확실성 보정(calibration)에 어떻게 체계적으로 영향을 미치는지 정량화할 수 있도록 한다.
• 불확실성 보정: 이 방법은 노이즈 원인을 명시적으로 모델링함으로써 예측 확률의 보정 성능을 개선하는 것을 목표로 한다.

실험 결과
본 방법은 세 명의 연구자와 한 명의 고품질 임상 전문가의 참조 데이터를 포함하는 전립선 샘플이 포함된 경직장 초음파(TRUS) 이미지의 다중 검사자 데이터셋에서 평가되었다.

• 보정 성능: 제안된 SVGP 모델은 개별 U-Net 베이스라인 및 최신 기술인 Pionono 프레임워크와 비교하여 가장 낮은 기대 보정 오차(ECE) 및 음의 로그 가능도(NLL)를 달alog 달성했다. 특히, 검사자 2의 경우 NLL이 베이스라인(0.578/0.753)에서 0.146으로 크게 개선되었다.
• 분할 정확도: SVGP 모델은 Pionono와 대등한 분할 정확도(Dice score 및 HD95)를 유지하였으며, 이는 보정 성능의 향상이 분할 성능의 희생을 수반하지 않음을 입증한다.
• 정량적 편향/분산: 학습된 파라미터는 검사자의 행동을 정량적으로 반영했다. 예를 들어, 더 큰 학습된 분산 $\sigma_a$는 해당 결정론적 개별 U-Net의 성능 지표 저하와 일치하였으며, 이는 모델이 검사자 내 변동성(intra-rater variability)을 성공적으로 포착하고 있음을 시사한다.
• 섭동 실험: 편향과 분산 파라미터를 변화시키는 통제된 실험을 통해, 예측 보정(ECE)이 분산($\sigma^2$)보다 체계적 편향($\mu$)에 훨씬 더 민감하다는 것이 밝혀졌다. 이는 검사자 간 불일치가 검사자 내 변동성보다 신뢰성에 더 강력한 영향을 미친다는 것을 나타낸다.

의의 및 주장
본 논문은 이 프레임워크가 주석 변동성이 모델 예측에 어떻게 전파되는지 이해하기 위한 해석 가능한 도구를 제공한다고 주장한다. 이미지 의존적 불확실성을 주석 유도 노이즈와 명시적으로 분리함으로써, 이 접근 방식은 고정된 레이블링 예산 하에서 데이터셋 큐레이션을 위한 실질적인 통찰력을 제공한다. 구체적으로, 이는 실무자가 예측 신뢰성을 높이기 위해 체계적인 검사자 간 편향을 줄이는 것이 효과적인지, 아니면 검사자 내 변동성을 다루는 것이 더 효과적인지를 평가할 수 있게 한다. 저자들은 현재의 평가가 특정 임상 환경에 국한되어 있으나, 이 프레임워크가 공간적으로 상관관계가 있는 불일치 및 다중 클래스 분할을 포함하는 향후 연구를 위한 토대를 제공한다고 언급했다.