UA-UNet : Quantifying Uncertainty and Improving Segmentation through Uncertainty-Aware Learning
- 발행기관 서강대학교 일반대학원
- 지도교수 강석주
- 발행년도 2023
- 학위수여년월 2023. 8
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000076377
- UCI I804:11029-000000076377
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
In the supervised learning, each training data may contain some level of am- biguity. Especially for the segmentation task, which locates the target objects and finds their boundary, ambiguity becomes even more evident. It is even more chal- lenging when the objects of interest are very thin or occluded by obstacles, leading to confusion even among expert annotators. Vessel segmentation, which exhibits all these characteristics, has an additional issue to consider. Since the task is related to medical decision-making, it is essential to have information about how confident the model is in its results. In this work, we present UA-UNet, which is capable of uncer- tainty quantification while at the same time achieving state-of-the-art performance in vessel segmentation. A probabilistic model, Bayesian neural network with latent variable (BNN + LV), is employed to manage the goals mentioned above. In order to verify the effectiveness of our methodology, we devised a novel metric called UUD and conducted experiments. In addition, many qualitative results that corresponds to uncertainty quantification are presented. Moreover, to validate the segmentation task performance of the proposed model, we compared our model with many mod- els from previous studies using several popular datasets (DRIVE, CHASE DB1, and STARE). The experimental results show that the proposed model achieves state-of- the-art performance, showing greater improvement especially on the STARE dataset. Furthermore, we represent uncertainty-aware region contrastive (UA-ReCo) loss, en- hancing the models performance.
more초록 (요약문)
지도학습 상황에서 학습 데이터에는 어느정도의 모호함이 존재한다. 특히, 대상 물체의 위치뿐만 아니라 이미지의 영역과 경계까지 찾아야하는 이미지 세그멘테이션에서 모호함은 더 부각된다. 세그멘테이션 대상 물체가 매우 얇거나 다른 물체에 의해서 가려지는 경우에는 전문가도 정답 레이블을 만드는 것은 어려운 일이다. 혈관 세그멘테이션은 위에서 언급한 모든 특징을 가지고 있으면서 의학적인 의사결정에 관련되어 있기 때문에 모델이 내는 결과에 대해서 모델이 어느정도의 확신을 가지고 있는지에 대한 정보가 추가적으로 요구된다. 이 논문에서는 우리는 state-of-the-art 모델과 비견할만한 세그멘테이션 성능을 보이면서도 불확실성 정량화를 수행할 수 있는 UA-UNet을 제안한다. 해당 모델은 위에서 언급한 두개의 목표를 확률적 모델인 잠재변수가 포함된 베이지안 신경망(BNN + LV)을 활용하여 달성한다. 이 논문에서는 우리의 방법론의 효과를 검증하기 위해 UUD라는 정량지표를 고안하고 측정하였을 뿐 아니라, 정성적인 결과도 제시하고 있다. 추가적으로 제안된 모델의 세그멘테이션 성능을 검증하기 위해 이전 연구에서 제안되었던 다양한 모델과 많이 사용되는 데이터셋 (DRIVE, CHASE\_DB1, STARE)을 사용하여 성능을 비교하고 있다. 실험 결과는 제안된 모델이 state-of-the-art 모델과 비견할만한 성능을 보여주고 있으며, 특히 STARE 데이터셋에서 성능향상이 두드러진다. 또한 이 논문에서 우리는 모델의 성능을 향상시키기 위해 우리는 불확실성 기반의 대조 손실 (UA-ReCo loss)을 제안한다.
more