CheXmask-U: Quantificação da incerteza na segmentação anatómica baseada em pontos de referência para imagens de raios 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

Resumo

A estimativa de incerteza é essencial para a implantação clínica segura de sistemas de segmentação de imagens médicas, permitindo a identificação de previsões não confiáveis e apoiando a supervisão humana. Embora trabalhos anteriores tenham se concentrado amplamente na incerteza a nível de pixel, a segmentação baseada em marcos anatômicos oferece garantias topológicas inerentes, mas permanece pouco explorada sob a perspectiva da incerteza. Neste trabalho, estudamos a estimativa de incerteza para segmentação baseada em marcos anatômicos em radiografias de tórax. Inspirados por arquiteturas híbridas de redes neurais que combinam codificadores convolucionais de imagem padrão com decodificadores generativos baseados em grafos, e aproveitando seu espaço latente variacional, derivamos duas medidas complementares: (i) incerteza latente, capturada diretamente dos parâmetros da distribuição aprendida, e (ii) incerteza preditiva, obtida pela geração de múltiplas previsões de saída estocásticas a partir de amostras latentes. Através de experimentos de corrupção controlada, mostramos que ambas as medidas de incerteza aumentam com a severidade da perturbação, refletindo degradação global e local. Demonstramos que estes sinais de incerteza podem identificar previsões não confiáveis através da comparação com anotações de referência manuais, e apoiar a detecção de dados fora da distribuição no conjunto de dados CheXmask. Mais importante, disponibilizamos o CheXmask-U (huggingface.co/datasets/mcosarinsky/CheXmask-U), um conjunto de dados em larga escala com 657.566 segmentações de marcos anatômicos de radiografias de tórax com estimativas de incerteza por nó, permitindo que os pesquisadores considerem variações espaciais na qualidade da segmentação ao usar estas máscaras anatômicas. Nossos resultados estabelecem a estimativa de incerteza como uma direção promissora para aumentar a robustez e a implantação segura de métodos de segmentação anatómica baseados em marcos em radiografias de tórax. Uma demonstração interativa totalmente funcional do método está disponível em huggingface.co/spaces/matiasky/CheXmask-U e o código-fonte em 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.