CheXmask-U: Cuantificación de la incertidumbre en la segmentación anatómica basada en puntos de referencia para imágenes de rayos X

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

December 11, 2025

Autores: Matias Cosarinsky, Nicolas Gaggion, Rodrigo Echeveste, Enzo Ferrante

cs.AI

Resumen

La estimación de la incertidumbre es esencial para el despliegue clínico seguro de los sistemas de segmentación de imágenes médicas, ya que permite identificar predicciones no fiables y respalda la supervisión humana. Si bien trabajos previos se han centrado principalmente en la incertidumbre a nivel de píxel, la segmentación basada en puntos de referencia ofrece garantías topológicas inherentes, pero sigue estando poco explorada desde una perspectiva de incertidumbre. En este trabajo, estudiamos la estimación de la incertidumbre para la segmentación basada en puntos de referencia anatómicos en radiografías de tórax. Inspirados por las arquitecturas híbridas de redes neuronales que combinan codificadores convolucionales de imágenes estándar con decodificadores generativos basados en grafos, y aprovechando su espacio latente variacional, derivamos dos medidas complementarias: (i) la incertidumbre latente, capturada directamente a partir de los parámetros de la distribución aprendida, y (ii) la incertidumbre predictiva, obtenida generando múltiples predicciones de salida estocásticas a partir de muestras latentes. Mediante experimentos de corrupción controlada, mostramos que ambas medidas de incertidumbre aumentan con la severidad de la perturbación, reflejando tanto la degradación global como la local. Demostramos que estas señales de incertidumbre pueden identificar predicciones no fiables mediante la comparación con la verdad de referencia manual, y respaldan la detección de datos fuera de distribución en el conjunto de datos CheXmask. Más importante aún, publicamos CheXmask-U (huggingface.co/datasets/mcosarinsky/CheXmask-U), un conjunto de datos a gran escala de 657,566 segmentaciones de puntos de referencia en radiografías de tórax con estimaciones de incertidumbre por nodo, lo que permite a los investigadores tener en cuenta las variaciones espaciales en la calidad de la segmentación al utilizar estas máscaras anatómicas. Nuestros hallazgos establecen la estimación de la incertidumbre como una dirección prometedora para mejorar la robustez y el despliegue seguro de los métodos de segmentación anatómica basados en puntos de referencia en radiografías de tórax. Una demo interactiva completamente funcional del método está disponible en huggingface.co/spaces/matiasky/CheXmask-U y el código fuente en 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.