CheXmask-U: Количественная оценка неопределенности в анатомической сегментации по ориентирам для рентгеновских изображений

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

December 11, 2025

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

cs.AI

Аннотация

Оценка неопределенности является важнейшим элементом для безопасного клинического внедрения систем сегментации медицинских изображений, поскольку позволяет выявлять ненадежные прогнозы и обеспечивать контроль со стороны человека. В то время как предыдущие исследования в основном были сосредоточены на неопределенности на уровне пикселей, сегментация на основе ориентиров предлагает inherentные топологические гарантии, но остается малоизученной с точки зрения неопределенности. В данной работе мы исследуем оценку неопределенности для анатомической сегментации по ориентирам на рентгенограммах органов грудной клетки. Вдохновленные гибридными архитектурами нейронных сетей, которые сочетают стандартные сверточные энкодеры для изображений с генеративными декодерами на основе графов, и используя их вариационное латентное пространство, мы выводим две взаимодополняющие меры: (i) латентную неопределенность, извлекаемую непосредственно из параметров обученного распределения, и (ii) прогностическую неопределенность, получаемую путем генерации множества стохастических выходных прогнозов из латентных сэмплов. В ходе экспериментов с контролируемыми искажениями мы показываем, что обе меры неопределенности возрастают с увеличением степени возмущения, отражая как глобальную, так и локальную деградацию. Мы демонстрируем, что эти сигналы неопределенности могут выявлять ненадежные прогнозы при сравнении с ручной разметкой, а также поддерживают обнаружение данных вне распределения на наборе данных CheXmask. Что более важно, мы представляем CheXmask-U (huggingface.co/datasets/mcosarinsky/CheXmask-U) — крупномасштабный набор данных, содержащий 657 566 сегментаций ориентиров на рентгенограммах грудной клетки с оценками неопределенности для каждого узла, что позволяет исследователям учитывать пространственные вариации качества сегментации при использовании этих анатомических масок. Наши результаты устанавливают оценку неопределенности как перспективное направление для повышения надежности и безопасного внедрения методов анатомической сегментации по ориентирам в рентгенографии грудной клетки. Полностью рабочая интерактивная демонстрация метода доступна по адресу huggingface.co/spaces/matiasky/CheXmask-U, а исходный код — на 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.