CheXmask-U: X線画像におけるランドマークベース解剖学的セグメンテーションの不確実性定量化

要旨

不確実性推定は、医療画像セグメンテーションシステムの安全な臨床導入において不可欠であり、信頼性の低い予測の識別と人間による監視を支援する。従来の研究は主に画素レベルの不確実性に焦点を当ててきたが、ランドマークベースのセグメンテーションは本質的なトポロジー保証を提供する一方で、不確実性の観点からは未だ十分に探究されていない。本研究では、胸部X線画像における解剖学的ランドマークベースのセグメンテーションの不確実性推定を検討する。標準的な画像畳み込みエンコーダとグラフベースの生成的デコーダを組み合わせたハイブリッドニューラルネットワークアーキテクチャに着想を得て、その変分潜在空間を活用することで、二つの相補的指標を導出する：（i）学習された分布パラメータから直接抽出される潜在不確実性、（ii）潜在サンプルから複数の確率的出力予測を生成することで得られる予測不確実性。制御された改変実験を通じて、両方の不確実性指標が摂動の深刻度に応じて増加し、グローバルおよびローカルな劣化を反映することを示す。これらの不確実性シグナルが、手動で作成したグラウンドトゥルースとの比較により信頼性の低い予測を識別できること、およびCheXmaskデータセットにおける分布外検出を支援できることを実証する。さらに重要なのは、657,566件の胸部X線ランドマークセグメンテーションとノードごとの不確実性推定値を含む大規模データセットCheXmask-U（huggingface.co/datasets/mcosarinsky/CheXmask-U）を公開し、研究者がこれらの解剖学的マスクを使用する際にセグメンテーション品質の空間的変動を考慮できるようにした点である。我々の知見は、胸部X線におけるランドマークベースの解剖学的セグメンテーション手法のロバスト性と安全な導入を強化する有望な方向性として、不確実性推定を確立するものである。本手法の完全に動作するインタラクティブデモはhuggingface.co/spaces/matiasky/CheXmask-Uで、ソースコードはgithub.com/mcosarinsky/CheXmask-Uで公開されている。

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.

CheXmask-U: X線画像におけるランドマークベース解剖学的セグメンテーションの不確実性定量化

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

要旨

Support