CheXmask-U: Quantificazione dell'incertezza nella segmentazione anatomica basata su landmark per immagini radiografiche

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

December 11, 2025

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

cs.AI

Abstract

La stima dell'incertezza è essenziale per un impiego clinico sicuro dei sistemi di segmentazione di immagini mediche, poiché consente l'identificazione di previsioni inaffidabili e supporta la supervisione umana. Sebbene i lavori precedenti si siano concentrati prevalentemente sull'incertezza a livello di pixel, la segmentazione basata su landmark offre garanzie topologiche intrinseche, ma rimane ancora poco esplorata da una prospettiva di incertezza. In questo lavoro, studiamo la stima dell'incertezza per la segmentazione basata su landmark anatomici nelle radiografie del torace. Ispirati dalle architetture ibride di reti neurali che combinano encoder convoluzionali standard per immagini con decoder generativi basati su grafi, e sfruttandone lo spazio latente variazionale, deriviamo due misure complementari: (i) l'incertezza latente, catturata direttamente dai parametri della distribuzione appresa, e (ii) l'incertezza predittiva, ottenuta generando multiple previsioni di output stocastiche da campioni latenti. Attraverso esperimenti di corruzione controllata mostriamo che entrambe le misure di incertezza aumentano con la gravità della perturbazione, riflettendo sia un degrado globale che locale. Dimostriamo che questi segnali di incertezza possono identificare previsioni inaffidabili confrontandole con ground-truth manuali e supportano il rilevamento di dati fuori distribuzione sul dataset CheXmask. Ancora più importante, rilasciamo CheXmask-U (huggingface.co/datasets/mcosarinsky/CheXmask-U), un dataset su larga scala di 657.566 segmentazioni di landmark di radiografie del torace con stime di incertezza per nodo, che consente ai ricercatori di tenere conto delle variazioni spaziali nella qualità della segmentazione quando utilizzano queste maschere anatomiche. I nostri risultati stabiliscono la stima dell'incertezza come una direzione promettente per migliorare la robustezza e l'impiego sicuro dei metodi di segmentazione anatomica basati su landmark nelle radiografie del torace. Una demo interattiva completamente funzionante del metodo è disponibile all'indirizzo huggingface.co/spaces/matiasky/CheXmask-U e il codice sorgente su 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.