画像分割における不確実性定量化とエンタングルメントの再考

要約: 不確実性の定量化（UQ）は、医用画像分割のような安全性が極めて重要なアプリケーションにおいて不可欠です。総不確実性は通常、データに関連するアレータリック不確実性（AU）とモデルに関連するエピステミック不確実性（EU）に分解されます。AUをモデリングする多くの手法（Probabilistic UNet、Diffusion など）とEUをモデリングする手法（アンサンブル、MC Dropout など）は存在しますが、それらを組み合わせたときにどのように相互作用するかは明らかではありません。さらに、近年の研究はAUとEUの間に著しい絡み合いがあることを明らかにしており、分解の解釈性と実用性を損なっています。私たちは、AU-EUモデルの組み合わせの広範な範囲を対象とした包括的な実証的研究を提示し、不確実性の絡み合いを定量化する指標を提案し、下流のUQタスクの両方を評価します。分布外検知のためには、アンサンブルは一貫して低い絡み合いと優れた性能を示します。曖昧性モデリングとキャリブレーションについては、最良のモデルはデータセット依存であり、ソフトマックス/SSNベースの手法が良好な性能を示し、Probabilistic UNetsは絡み合いが少ない。ソフトマックスのアンサンブルは、すべてのタスクで顕著に高い性能を示します。最後に、不確実性の絡み合いの潜在的な原因を分析し、この効果を緩和する方向性を概説します。