CheXmask-U: Quantifizierung von Unsicherheiten bei der land-markenbasierten anatomischen Segmentierung für Röntgenbilder

CheXmask-U: Quantifying uncertainty in landmark-based anatomical segmentation for X-ray images

December 11, 2025

papers.authors: Matias Cosarinsky, Nicolas Gaggion, Rodrigo Echeveste, Enzo Ferrante

cs.AI

papers.abstract

Die Schätzung von Unsicherheit ist entscheidend für den sicheren klinischen Einsatz medizinischer Bildsegmentierungssysteme, da sie die Identifizierung unzuverlässiger Vorhersagen ermöglicht und die menschliche Überwachung unterstützt. Während sich frühere Arbeiten weitgehend auf pixelbezogene Unsicherheit konzentriert haben, bietet die land-markenbasierte Segmentierung inhärente topologische Garantien, wurde jedoch aus der Perspektive der Unsicherheit bisher wenig erforscht. In dieser Arbeit untersuchen wir die Unsicherheitsschätzung für die anatomische land-markenbasierte Segmentierung von Thorax-Röntgenaufnahmen. Inspiriert von hybriden neuronalen Netzwerkarchitekturen, die konventionelle bildbasierte Faltungs-Encoder mit graphenbasierten generativen Decodern kombinieren, und unter Nutzung ihres variationellen latenten Raums leiten wir zwei komplementäre Maße ab: (i) latente Unsicherheit, die direkt aus den gelernten Verteilungsparametern erfasst wird, und (ii) prädiktive Unsicherheit, die durch die Generierung multipler stochastischer Ausgabevorhersagen aus latenten Stichproben gewonnen wird. Durch kontrollierte Korruptionsexperimente zeigen wir, dass beide Unsicherheitsmaße mit der Stärke der Störung zunehmen und sowohl globale als auch lokale Bildverschlechterung widerspiegeln. Wir demonstrieren, dass diese Unsicherheitssignale unzuverlässige Vorhersagen durch Vergleich mit manuellen Ground-Truth-Daten identifizieren können und die Detektion von Out-of-Distribution-Daten im CheXmask-Datensatz unterstützen. Noch wichtiger ist, dass wir CheXmask-U (huggingface.co/datasets/mcosarinsky/CheXmask-U) veröffentlichen, einen groß angelegten Datensatz mit 657.566 Land-marken-Segmentierungen von Thorax-Röntgenaufnahmen, der Unsicherheitsschätzungen pro Knoten enthält. Dies ermöglicht Forschern, räumliche Variationen der Segmentierungsqualität bei der Verwendung dieser anatomischen Masken zu berücksichtigen. Unsere Ergebnisse etablieren die Unsicherheitsschätzung als vielversprechende Richtung zur Verbesserung der Robustheit und des sicheren Einsatzes land-markenbasierter anatomischer Segmentierungsmethoden in der Thorax-Röntgenbildgebung. Eine voll funktionsfähige interaktive Demo der Methode ist verfügbar unter huggingface.co/spaces/matiasky/CheXmask-U und der Quellcode unter github.com/mcosarinsky/CheXmask-U.

English

Uncertainty estimation is essential for the safe clinical deployment of medical image segmentation systems, enabling the identification of unreliable predictions and supporting human oversight. While prior work has largely focused on pixel-level uncertainty, landmark-based segmentation offers inherent topological guarantees yet remains underexplored from an uncertainty perspective. In this work, we study uncertainty estimation for anatomical landmark-based segmentation on chest X-rays. Inspired by hybrid neural network architectures that combine standard image convolutional encoders with graph-based generative decoders, and leveraging their variational latent space, we derive two complementary measures: (i) latent uncertainty, captured directly from the learned distribution parameters, and (ii) predictive uncertainty, obtained by generating multiple stochastic output predictions from latent samples. Through controlled corruption experiments we show that both uncertainty measures increase with perturbation severity, reflecting both global and local degradation. We demonstrate that these uncertainty signals can identify unreliable predictions by comparing with manual ground-truth, and support out-of-distribution detection on the CheXmask dataset. More importantly, we release CheXmask-U (huggingface.co/datasets/mcosarinsky/CheXmask-U), a large scale dataset of 657,566 chest X-ray landmark segmentations with per-node uncertainty estimates, enabling researchers to account for spatial variations in segmentation quality when using these anatomical masks. Our findings establish uncertainty estimation as a promising direction to enhance robustness and safe deployment of landmark-based anatomical segmentation methods in chest X-ray. A fully working interactive demo of the method is available at huggingface.co/spaces/matiasky/CheXmask-U and the source code at github.com/mcosarinsky/CheXmask-U.