Exploring Entropy-based Active Learning for Fair Brain Segmentation

Technische Samenvatting: Verkenning van Entropie-gebaseerde Actieve Learning voor Eerlijke Hersensegmentatie

Probleemstelling
Actieve learning (AL) is een cruciale strategie om de hoge kosten van expertannotatie bij medische beeldsegmentatie te beperken. Echter, standaard AL-methoden gebaseerd op onzekerheid optimaliseren doorgaans voor globale prestatie-metrics, waarbij vaak dispariteiten in prestaties tussen groepen gedefinieerd door gevoelige attributen (bijv. ras, geslacht) worden genegeerd. Hoewel eerlijke actieve learning is onderzocht in classificatietaken, blijft de toepassing ervan op medische beeldsegmentatie grotendeels onbehandeld. Bestaande segmentatiemodellen vertonen vaak demografische dispariteiten, waarbij de prestaties verslechteren voor ondervertegenwoordigde groepen of groepen met specifieke anatomische variaties. Bovendien neigt naïef onzekerheidsampling in segmentatie naar het selecteren van redundante afbeeldingen of uitschieters, en kunnen standaard entropieberekeningen vertekend zijn door verschillen in anatomisch volume in plaats van door ware modelonzekerheid.

Methodologie
De auteurs stellen een Eerlijkheidsbewust Actief Learning-kader voor dat specifiek is ontworpen voor hersen-MRI-segmentatie. De kern van de methode is een Gewogen Gelokaliseerde Entropie-selectiestrategie die de voxel-voor-voxel onzekerheid moduleert op basis van de huidige groepspecifieke prestaties.

1. Datageneratie: Om bias te controleren, maakt de studie gebruik van synthetische T1-gewogen hersen-MRI's gegenereerd via het SimBA-kader. Twee groepen worden gedefinieerd:

   • Groep 1: Gevallen met globale vervormingen plus een gelokaliseerde vervorming in de linkercaudate (simulatie van een "bias" of specifieke anatomische variatie).
   • Groep 2: Gevallen met uitsluitend globale vervormingen.
     Experimenten werden uitgevoerd onder omstandigheden van "sterke bias" ($\mu=4$) en "zwakke bias" ($\mu=2$).

2. Gewogen Gelokaliseerde Entropie-strategie:

   • Gelokaliseerde Entropie: Om ware epistemische onzekerheid te ontkoppelen van variaties in anatomisch volume, wordt entropie uitsluitend berekend binnen een gedilateerd Masker van het Gebied van Interesse (ROI) rond de doelstructuur (linkercaudate). De entropie wordt gemiddeld over het ROI en genormaliseerd op basis van de regiogrootte ($\hat{H}$), waardoor voorkomen wordt dat grotere structuren de selectiescore domineren.
   • Groepsbewuste Weging: Het kader berekent een gestandaardiseerde prestatiescore ($z_g$) voor elke groep $g$ op basis van de Dice Similarity Coefficient (DSC) op de huidige gelabelde set. Groepen met lagere prestaties (lagere DSC) ontvangen hogere gewichten ($w_g$) via een softmax-transformatie.
   • Aanwervingsscore: De uiteindelijke score voor het selecteren van een steekproef $x_g$ is het product van het groepsgewicht en de gelokaliseerde entropie: $score(x_g) = w_g \cdot \hat{H}$. Dit prioriteert steekproeven van groepen waar het model momenteel onderpresteert.

3. Experimentele Opstelling: Een 3D U-Net werd getraind met behulp van een AL-lus die startte bij kleine gelabelde sets (10 steekproeven) met variërende initiële groepssamenstellingen (gebalanceerd, 80/20, 20/80). Het kader werd vergeleken met Random Sampling (RS), Sampling op basis van Gemiddelde Entropie, en Sampling op basis van Gelokaliseerde Entropie.

Belangrijkste Bijdragen

• Eerste Eerlijke AL voor Segmentatie: Dit werk adresseert de intersectie van eerlijke actieve learning en medische beeldsegmentatie, een domein dat in tegenstelling tot classificatie eerder niet was onderzocht.
• Nieuwe Selectiestrategie: Introductie van een Gewogen Gelokaliseerde Entropie-strategie die onzekerheid dynamisch herbeweegt op basis van groepspecifieke DSC-prestaties, zodat het AL-proces zich richt op onderpresterende subgroepen.
• Ontkoppeling van Onzekerheid en Anatomie: Het gebruik van gemaskerde, geschaalde entropie binnen een gedilateerd ROI om ervoor te zorgen dat selectie wordt gedreven door grensonzekerheid in plaats van door verschillen in structureel volume.

Resultaten
Experimenten op synthetische datasets toonden aan dat de voorgestelde methode de prestatie-dispariteiten tussen groepen aanzienlijk vermindert in vergelijking met random sampling en standaard onzekerheidsmethoden.

• Eerlijkheid-geschaalde Prestaties: De Gewogen Gelokaliseerde Entropie-strategie behaalde consistent de hoogste Eerlijkheid-geschaalde Segmentatieprestatie (ESSP) over alle initialisatieregimes en biassterktes heen.
• Dispariteitsreductie: Relatief tot standaard entropiesampling verlaagde de voorgestelde methode de dispariteitsmetric ($\Delta$) met 75% in de setting met sterke bias en met 86% in de setting met zwakke bias bij het uiteindelijke labelbudget.
• Selectiedynamiek: De methode slaagde erin om steekproeven van de onderpresterende Groep 1 (de morfologisch uitdagende subgroep) te prioriteren, terwijl globale entropie vaker steekproeven van Groep 2 selecteerde, en random sampling een 50/50-balans handhaafde.
• Basisbevindingen: Verrassend genoeg toonden basisexperimenten aan dat training uitsluitend op de uitdagendere Groep 1-data betere ESSP opleverde dan gebalanceerde training, wat suggereert dat oververtegenwoordiging van de moeilijke morfologie fungeert als een "eerlijkheidsanker" zonder de algehele bruikbaarheid ernstig te compromitteren.

Betekenis en Aanspraken
De auteurs beweren dat dit werk een efficiënte strategie biedt om in omstandigheden met beperkte middelen eerlijkere modellen te trainen waar annotatiebudgetten beperkt zijn. Het kader is opmerkelijk vanwege zijn lichtgewicht aard; het vertrouwt uitsluitend op prestaties van de gelabelde set om groepsgewichten te schatten, zonder dat er extra eerlijkheidsclassificators of dure representativiteitsmodelleren in kenruimtes nodig zijn.

Het artikel erkent bescheiden beperkingen, voornamelijk het gebruik van synthetische data om de biasgrootte expliciet te controleren. De auteurs merken op dat real-world medische data complexe, moeilijk te ontwarren biases omvat (bijv. scannerartefacten). Zij betogen dat hoewel hun resultaten de bruikbaarheid van gewogen sampling ondersteunen om groepsniveau-prestatiebias te vermijden, de vertaling hiervan naar real-world scenario's vereist dat gevoelige attributen worden geïdentificeerd op basis van eerdere hypothesen en betrouwbare referentiesegmentaties. De studie concludeert dat adaptieve selectiedruk richting onderpresterende groepen een levensvatbaar pad is naar eerlijke medische beeldsegmentatie.