Medical image segmentation in a multiple labelers context : application to the study of histopathology

Abstract

Breast cancer remains one of the deadliest diseases affecting women worldwide, making accurate diagnosis and treatment planning crucial for improving patient outcomes. Semantic segmentation of histopathology images plays a vital role in this process, as it enables precise identification and analysis of tissue structures. However, the current approaches face significant challenges in real-world scenarios where multiple annotators with varying expertise and reliability contribute to the labeling process. This crowdsourcing paradigm, while cost-effective, introduces inconsistencies that can compromise the quality of the segmentation results. This thesis addresses two fundamental challenges in medical image segmentation: the inherent uncertainty in multiple annotator scenarios and the need for robustsegmentation models that can handle varying image quality and annotator expertise. These challenges arise from the complex nature of histopathology images, where tissue structures can be ambiguous, and the varying levels of expertise among annotators lead to inconsistent labeling patterns. Additionally, the high cost and time requirements for expert annotations create a need for efficient solutions that can work with crowdsourced data. To address these challenges, this thesis proposes a comprehensive approach that combines novel loss functions with robust deep learning architectures to handle multiple annotator scenarios effectively. The first objective introduces a novel loss function that implicitly infers optimal segmentation while assessing labeler reliability without requiring explicit performance inputs. This approach differs from conventional methods by eliminating the need for direct supervision of labeler performance, instead using an intermediate reliability map that enables the model to prioritize information from reliable labelers while disregarding noisy labels. The mathematical foundation of this approach lies in the probabilistic modeling of annotator reliability across the input space. The second objective focuses on the development of a robust segmentation architecture that combines the strengths of U-shaped deep learning models with the proposed reliability-aware loss function. This combination enables the model to learn both the segmentation task and the reliability patterns simultaneously, leading to more accurate and consistent results. The architecture’s key innovation lies in its ability to adapt to varying image quality and annotator expertise levels without requiring explicit performance metrics. The third objective involves validating the proposed approach through extensive experimentation on both synthetic datasets and real-world histopathology images. The evaluation demonstrates superior performance compared to state-of-the-art approaches in terms of segmentation accuracy and uncertainty quantification. The results show that the proposed method can effectively handle inconsistent annotations while maintaining high segmentation accuracy, making it particularly valuable for clinical applications. The research makes significant contributions to the field by providing a robust solution for handling inconsistent annotations in medical image segmentation, particularly valuable in histopathology where expert annotations are expensive and time-consuming to obtain. The proposed approach shows promising results in reducing annotation costs while maintaining high segmentation accuracy, making it particularly relevant for clinical applications where precise segmentation of tissue structures is crucial for diagnosis and treatment planning. This work opens new research directions in the areas of crowdsourced medical image analysis, uncertainty quantification in deep learning, and the development of more efficient annotation protocols for medical imaging (Texto tomado de la fuente).

El cáncer de mama sigue siendo una de las enfermedades más mortales en la población femenina en todo el mundo, lo que hace que el diagnóstico preciso y la planificación del tratamiento sean cruciales para mejorar las condiciones de los pacientes. La segmentación semántica de imágenes histopatológicas juega un papel vital en este proceso, ya que permite la identificación y análisis preciso de estructuras tisulares. Sin embargo, los enfoques actuales enfrentan desafíos significativos en escenarios del mundo real donde múltiples anotadores con diferentes niveles de experiencia y confiabilidad contribuyen al proceso de etiquetado. Este paradigma de crowdsourcing, aunque rentable, introduce inconsistencias que pueden comprometer la calidad de los resultados de segmentación. Esta tesis aborda dos desafíos fundamentales en la segmentación de imágenes médicas: la incertidumbre inherente en escenarios de múltiples anotadores y la necesidad de modelos de segmentación robustos que puedan manejar la calidad variable de las imágenes y la experiencia de los anotadores. Estos desafíos surgen de la naturaleza compleja de las imágenes histopatológicas, donde las estructuras tisulares pueden ser ambiguas, y los diferentes niveles de experiencia entre los anotadores conducen a patrones de etiquetado inconsistentes. Además, el alto costo y los requisitos de tiempo para las anotaciones de expertos crean la necesidad de soluciones eficientes que puedan trabajar con datos crowdsourced. El primer objetivo introduce una función de pérdida novedosa que infiere implícitamente la segmentación óptima mientras evalúa la confiabilidad de los etiquetadores sin requerir entradas explícitas sobre su rendimiento. Este enfoque difiere de los métodos convencionales al eliminar la necesidad de supervisión directa del rendimiento de los etiquetadores, utilizando en su lugar un mapa de confiabilidad intermedio que permite al modelo priorizar la información de etiquetadores confiables mientras descarta etiquetas ruidosas. La base matemática de este enfoque radica en el modelado probabilístico de la confiabilidad de los anotadores a través del espacio de entrada. El segundo objetivo se centra en el desarrollo de una arquitectura de segmentación robusta que combina las fortalezas de los modelos de aprendizaje profundo en forma de U con la función de pérdida propuesta que tiene en cuenta la confiabilidad. Esta combinación permite que el modelo aprenda tanto la tarea de segmentación como los patrones de confiabilidad simultáneamente, lo que lleva a resultados más precisos y consistentes. La innovación clave de la arquitectura radica en su capacidad para adaptarse a diferentes niveles de calidad de imagen y experiencia de los anotadores sin requerir métricas de rendimiento explícitas. El tercer objetivo valida el enfoque propuesto a través de experimentación exhaustiva tanto en conjuntos de datos sintéticos como en imágenes histopatológicas del mundo real. La evaluación demuestra un rendimiento superior en comparación con los enfoques más avanzados en términos de precisión de segmentación y cuantificación de incertidumbre. Los resultados muestran que el método propuesto puede manejar efectivamente anotaciones inconsistentes mientras mantiene una alta precisión de segmentación, lo que lo hace particularmente valioso para aplicaciones clínicas. La investigación hace contribuciones significativas al campo al proporcionar una solución robusta para manejar anotaciones inconsistentes en la segmentación de imágenes médicas, particularmente valiosa en histopatología donde las anotaciones de expertos son costosas y requieren mucho tiempo para obtenerlas. El enfoque propuesto muestra resultados prometedores en la reducción de costos de anotación mientras mantiene una alta precisión de segmentación, lo que lo hace particularmente relevante para aplicaciones clínicas donde la segmentación precisa de estructuras tisulares es crucial para el diagnóstico y la planificación del tratamiento. Este trabajo abre nuevas direcciones de investigación en las áreas de análisis de imágenes médicas crowdsourced, cuantificación de incertidumbre en aprendizaje profundo y el desarrollo de protocolos de anotación más eficientes para imágenes médicas.