가우시안 프로세스를 이용한 해석 가능한 확률적 의료 영상 분할: 주석 편향 및 변동성의 명시적 모델링

Interpretable Probabilistic Medical Image Segmentation via Gaussian Process with Explicit Modelling of Annotation Bias and Variability

딥러닝 기반의 의료 영상 분할 모델은 평가자 간에 체계적인 편향과 변동성을 보이는 주석을 사용하여 학습됩니다. 확률적 다중 평가자 접근 방식은 평가자별 경계를 모방할 수 있지만, 평가자의 특성은 일반적으로 깊은 잠재 특징 공간에 암묵적으로 인코딩되므로 예측 분포에 대한 영향력을 직접 분석하기 어렵습니다. 본 논문에서는 확률적 변분 가우시안 프로세스 기반의 로짓 공간 분할 프레임워크를 제안합니다. 이 프레임워크는 예측을 이미지 의존적인 기준 로짓 분포와 편향 및 분산을 통해 매개변수화된 평가자별 교란으로 명시적으로 분해합니다. 이러한 표현은 영상 내 및 영상 간의 평가자 변동성이 예측 분포에 어떻게 전파되는지에 대한 더 명확한 분석을 가능하게 합니다. 다중 평가자 의료 영상 데이터셋에서 본 방법을 평가한 결과, 평가자별 교란을 명시적으로 모델링하면 불확실성 보정이 향상되고 동시에 최첨단 다중 평가자 확률적 분할 방법과 비교하여 경쟁력 있는 분할 정확도를 유지한다는 것을 확인했습니다. 학습된 편향 및 분산 매개변수는 평가자별 행동을 정량적으로 반영합니다. 또한, 편향 및 분산을 제어하는 실험을 통해 평가자 매개변수의 변화가 예측 성능에 미치는 체계적인 영향을 보여줍니다. 본 논문에서 사용된 코드는 https://github.com/QiLi111/GPS-Var 에서 공개되어 있습니다.

Deep learning-based medical image segmentation models are trained using annotations that exhibit systematic bias and variability across raters. While probabilistic multi-rater approaches can emulate annotator-specific delineations, annotator characteristics are typically encoded implicitly in deep latent feature space, making direct analysis of their influence on predictive distributions less straightforward. We propose a logit-space probabilistic segmentation framework based on stochastic variational Gaussian Process that explicitly decomposes predictions into an image-dependent reference logit distribution and annotator specific perturbations parameterised by bias and variance. This formulation enables more explicit analysis on how intra- and inter-rater variability propagate to predictive distributions. We evaluate the method on a multi-annotator medical image dataset, which shows that explicitly modelling annotator specific perturbations improves uncertainty calibration while maintaining comparable segmentation accuracy, compared with state-of-the-art multi-rater probabilistic segmentation method. The learned bias and variance parameters quantitatively reflect annotator-specific behaviour. Furthermore, controlled perturbation experiments over bias and variance demonstrate how changes in annotator parameters systematically influence predictive performance. The code used in this paper is made publicly available at https://github.com/QiLi111/GPS-Var.