Uncertainty-based Deep Learning Methods for Robust and Reliable Cardiac MRI Segmentation and Analysis
Méthodes d'apprentissage profond basées sur l'incertitude pour une segmentation et une analyse robustes et fiables de l'IRM cardiaque
Résumé
Deep learning-based segmentation methods have shown promise in automating the seg-mentation of cardiac MRI images, but they still face challenges in robustly segmentingsmall, and ambiguous regions with irregular shapes like myocardial scars. Additionally,these models struggle with domain shifts and out-of-distribution (OOD) samples, whichmakes them unreliable and limits their usage in clinical practice. The main objective ofthis thesis is to enhance the robustness and reliability of deep learning models for cardiacMRI segmentation and analysis by leveraging uncertainty estimates.To improve the segmentation of myocardial scars, a segmentation model is proposed thatintegrates uncertainty information into the learning process. Uncertainty estimation isachieved by utilizing Monte-Carlo dropout-based Bayesian neural networks during train-ing, which are then incorporated into the loss function. This approach yields improvedsegmentation accuracy and probability calibration, achieving state-of-the-art performanceon publicly available datasets focused on scar segmentation from Late Gadolinium En-hancement (LGE) MRI. The method demonstrates superior performance, particularly forvisually challenging images with higher epistemic uncertainty.To enhance the reliability of segmentation models, an uncertainty-based quality control(QC) framework is introduced to identify failed segmentations before further analysis. TheQC framework utilizes a Bayesian Swin transformer-based U-Net for the segmentation ofT1 mapping images and employs image-level uncertainty features to detect poorly seg-mented images. Experimental results on private and public datasets demonstrate that theproposed QC method significantly outperforms other state-of-the-art uncertainty-basedQC methods, particularly in challenging scenarios. After rejecting inaccurate segmenta-tions, T1 mapping, and Extracellular volume (ECV) values are automatically computed,enabling reliable characterization of myocardial tissues in healthy and pathological cases.Furthermore, a post-hoc OOD detection method is proposed to identify and reject outlierimages. This method utilizes the encoder features of the segmentation model and similar-ity metrics to enhance the trustworthiness of segmentation models. Experimental resultsdemonstrate that the proposed method outperforms state-of-the-art feature space-basedand uncertainty-based OOD detection methods across the various OOD datasets. Thisfurther safeguards performance by rejecting unsuitable outliers.
Les méthodes de segmentation basées sur l'apprentissage profond se sont révélées prometteuses pour automatiser la segmentation des images IRM cardiaques, mais elles sont toujours confrontées à des défis pour segmenter de manière robuste des régions petites et ambiguës aux formes irrégulières comme les cicatrices myocardiques. De plus, ces modèles sont confrontés aux changements de domaine et aux échantillons hors distribution (OOD), ce qui les rend peu fiables et limite leur utilisation dans la pratique clinique. L'objectif principal de cette thèse est d'améliorer la robustesse et la fiabilité des modèles d'apprentissage profond pour la segmentation et l'analyse d'IRM cardiaque en exploitant les estimations d'incertitude.Pour améliorer la segmentation des cicatrices myocardiques, un modèle de segmentation est proposé qui intègre les informations d'incertitude dans le processus d'apprentissage. L'estimation de l'incertitude est obtenue en utilisant des réseaux neuronaux bayésiens basés sur une méthode Monté Carlo Drop out pendant la formation, qui sont ensuite incorporés dans la fonction de perte. Cette approche permet d'améliorer la précision de la segmentation et l'étalonnage des probabilités, obtenant ainsi des performances de l'état de l'art sur des ensembles de données accessibles au public axés sur la segmentation des cicatrices à partir de l'IRM avec rehaussement tardif au gadolinium (LGE). La méthode démontre des performances supérieures, en particulier pour les images visuellement difficiles avec une incertitude épistémique plus élevée.Pour améliorer la fiabilité des modèles de segmentation, un cadre de contrôle qualité (CQ) basé sur l'incertitude est introduit pour identifier les segmentations ayant échoué avant une analyse plus approfondie. Le cadre CQ utilise un U-Net basé sur un Transformer bayésien Swin pour la segmentation des images cartographiques T1 et utilise des caractéristiques d'incertitude au niveau de l'image pour détecter les images mal segmentées. Les résultats expérimentaux sur des ensembles de données privés et publics démontrent que la méthode de CQ proposée surpasse considérablement les autres méthodes de CQ de l'état de l'art basées sur l'incertitude, en particulier dans des scénarios difficiles. Après avoir rejeté les segmentations inexactes, la cartographie T1 et les valeurs du volume extracellulaire (ECV) sont automatiquement calculées, permettant une caractérisation fiable des tissus myocardiques dans les cas sains et pathologiques.De plus, une méthode de détection OOD post-hoc est proposée pour identifier et rejeter les images aberrantes. Cette méthode utilise les fonctionnalités d'encodeur du modèle de segmentation et les métriques de similarité pour améliorer la fiabilité des modèles de segmentation. Les résultats expérimentaux démontrent que la méthode proposée surpasse les méthodes de détection OOD de l'état de l'art basées sur l'espace des caractéristiques et l'incertitude dans les différents ensembles de données OOD. Cela garantit davantage les performances en rejetant les valeurs aberrantes inappropriées.
| Origine | Version validée par le jury (STAR) |
|---|