CheXmask-U: Kwantificering van onzekerheid in oriëntatiepuntgebaseerde anatomische segmentatie voor röntgenbeelden

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

December 11, 2025

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

cs.AI

Samenvatting

Onzekerheidsinschatting is essentieel voor de veilige klinische inzet van medische beeldsegmentatiesystemen, omdat het de identificatie van onbetrouwbare voorspellingen mogelijk maakt en menselijk toezicht ondersteunt. Terwijl eerder werk zich voornamelijk richtte op onzekerheid op pixelniveau, biedt op oriëntatiepunten gebaseerde segmentatie inherente topologische garanties, maar blijft dit vanuit een onzekerheidsperspectief onderbelicht. In dit werk bestuderen we onzekerheidsinschatting voor op anatomische oriëntatiepunten gebaseerde segmentatie van thoraxfoto's. Geïnspireerd door hybride neurale netwerkarchitecturen die standaard convolutionele beeldencoders combineren met op grafieken gebaseerde generatieve decoders, en gebruikmakend van hun variationele latente ruimte, leiden we twee complementaire maten af: (i) latente onzekerheid, rechtstreeks vastgelegd uit de geleerde verdelingsparameters, en (ii) voorspellende onzekerheid, verkregen door meerdere stochastische uitvoervoorspellingen te genereren uit latente steekproeven. Door middel van gecontroleerde corruptie-experimenten tonen we aan dat beide onzekerheidsmaten toenemen met de ernst van de perturbatie, wat zowel globale als lokale degradatie weerspiegelt. We demonstreren dat deze onzekerheidssignalen onbetrouwbare voorspellingen kunnen identificeren door vergelijking met handmatige grondwaarheid, en out-of-distribution detectie ondersteunen op de CheXmask-dataset. Belangrijker nog, we brengen CheXmask-U (huggingface.co/datasets/mcosarinsky/CheXmask-U) uit, een grootschalige dataset van 657.566 thoraxfoto-landmarksegmentaties met onzekerheidsschattingen per knooppunt, waardoor onderzoekers rekening kunnen houden met ruimtelijke variaties in segmentatiekwaliteit bij het gebruik van deze anatomische maskers. Onze bevindingen vestigen onzekerheidsinschatting als een veelbelovende richting om de robuustheid en veilige inzet van op oriëntatiepunten gebaseerde anatomische segmentatiemethoden voor thoraxfoto's te verbeteren. Een volledig werkende interactieve demo van de methode is beschikbaar op huggingface.co/spaces/matiasky/CheXmask-U en de broncode op 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.