Incertidumbre e interpretabilidad en modelos de segmentación para pólipos de colon
Cargando...
Archivos
Fecha
Autores
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
Incertidumbre e interpretabilidad en modelos de segmentación para pólipos de colon los pólipos colorrectales son alteraciones generalmente benignas, pero que si no se le da una detección temprana, y por ende, un tratamiento efectivo, puede derivar en cáncer y afectaciones de la mucosa del colon, como lo son los adenocarcinomas. Ac totalmente, esta detección se realiza visualmente mediante colonoscopias, lo cual puede derivar en errores humanos en los diagnósticos. Se busca mediante el uso de distintos backbones, y la implementación de segmentación semántica, asociar y obtener incertidumbres bien calibradas sobre las predicciones de los píxeles utilizando Multiplica tive Normalizing Flows (MNF). Se iteraron arquitecturas basadas en UNET, FPN y LINKNET con Seresnet101, Densenet169 y EffcientnetB7 en versiones deterministas, bayesianas con capas de tipo MNF y basadas en re parametrización trick, obteniendo modelos con un buen rendimiento y calibración. La arquitectura FPN + EfficientnetB7 con capas MNF/Re parametrización, fue la opción más adecuada dado su IOU de 0.94 y error esperado de calibración (ECE) de 0.004, en combinación con la superioridad pre sentada en la detección de pólipos colorrectales de difícil identificación, siendo eficaz en el ámbito clínico donde la detección temprana previene el desarrollo de cáncer de colón.
Descripción
Abstract
Colorectal polyps are generally benign alterations that, if not identified promptly and managed successfully, can progress to cancer and cause affectations on the colon mucosa, known as adenocarcinoma. Today advances in Deep Learning have demonstrated the ability to achieve significant performance in image classification and detection in medical diagnosis applications. Nevertheless, these models are prone to overfitting, and making decisions based only on point estimations may provide incorrect predictions. Thus, to obtain a more informed decision, we must consider point estimations along with their reliable uncertainty quantification. In this paper, we built different Bayesian neural network approaches based on the flexibility of posterior distribution to develop semantic segmentation of colorectal polyp images. We found that these models not only provide state of the art performance on the segmentation of the dataset but also yield accurate uncertainty estimates. Using multiplicative normalized flows and reparameterization trick, UNET, FPN, and LINKNET architectures were tested with multiple backbones in deterministic and Bayesian versions. We report that the FPN + EfficientnetB7 architecture with MNF layers is the most promising option given its IOU of 0.94 and Expected Calibration Error (ECE) of 0.004, combined with its superiority in identifying difficult-to-detect colorectal polyps, which is effective in clinical areas where early detection prevents the development of colon cancer.
Palabras clave
Segmentación de pólipos, Flujos normalizadores multiplicativos, Estimación de la incertidumbre, Segmentación de imágenes médicas