ICLR2024 | Harvard FairSeg: 第一個研究分割演算法公平性的大型醫療分割資料集

為了解決這些挑戰，我們提出了第一個大規模醫學分割領域的公平性資料集，Harvard-FairSeg。此資料集旨在用於研究公平性的cup-disc segmentation，從 SLO 眼底影像中診斷青光眼，如圖 1 所示。

青光眼是全球不可逆盲目的主要原因之一，在 40-80 歲年齡層的盛行率為 3.54%，影響了約 8,000 萬人。早期青光眼通常無症狀，這強調了及時進行專業檢查的必要性。對 cup-disc 的準確分割對於醫療專業人員早期診斷青光眼至關重要。

值得注意的是，與其他群體相比，黑人患青光眼的風險加倍，然而這一人群的分割準確率通常最低。這激勵我們整理一個資料集，以研究分割公平性問題我們提出的 Harvard-FairSeg 資料集的亮點如下：

（1）醫學分割領域第一個公平性學習資料集。該資料集提供了SLO 眼底成像資料的cup-disc 分割；（2）該資料集配備了從現實醫院臨床情境中收集的六種敏感屬性，用於研究公平性學習問題；（3）我們在我們提出的新資料集上評估了多個 SOTA 公平性學習演算法，並使用包括Dice 和IoU 在內的多種分割效能指標進行了評估。

如何獲得大量的高品質分割標註

本研究中測試的對象來自於一家大型學術眼科醫院，時間跨度為 2010 年至 2021 年。本研究將發布三種類型的數據：（1）SLO 眼底掃描圖像；（2）患者人口統計資訊包含了六種不同的屬性；（3）由OCT 機器自動標註以及由專業醫療從業者手工評級的像素級標註如何獲得大量高品質分割標註一直是醫療分割的重要分體。

我們新穎的透過把cup 和disc 區域的像素標註首先從OCT 機器獲得，其中 disc 邊界在3D OCT 中被分割為Bruch's 膜開口，由OCT 製造商軟體實現， cup 邊界被檢測為內限膜（ ILM）與導致最小表面積的平面之間的交叉點和disc 邊界在平面上的交叉點。大致上，cup 邊界可以被認為是 ILM 上最靠近視盤邊界的位置，即定義為 Bruch’s 膜開口。

由於 Bruch’s 膜開口和內限膜與背景之間的高對比度，它們很容易被分割。因此因為 OCT 製造商軟體利用了 3D 訊息，利用 oct 機器對 cup 和 disc 的分割通常是可靠的。

相比之下，眼底照片上的 2Dcup 和 disc 分割可能因包括衰減的成像訊號和血管阻塞等各種因素而具有挑戰性。然而，由於 OCT 機器相當昂貴且在初級保健中較少見，因此我們提議將這些註釋從 3D OCT 遷移到 2D SLO 眼底圖片，以在初級保健領域的早期青光眼篩檢中產生更廣泛的影響。

具體來說，我們首先使用NiftyReg 工具將SLO 眼底圖像與OCT 衍生的眼底圖像（OCT 眼底）對齊隨後，將NiftyReg 的仿射度量應用於OCT 眼底圖像的cup-disc 掩碼，使其與SLO眼底影像對齊。這個過程有效地產生了大量高品質的SLO眼底遮罩註釋，避免了勞動密集的手工像素標註過程。

值得注意的是，這種 medical registration 的操作在現實世界場景中展示了相當高的精確度，我們的經驗觀察表明，medical registration 成功率大約為 80%。在這一自動化過程之後，產生的掩碼經過嚴格審查，並由五名醫學專業人員小組手動評級，以確保cup-disc 區域的精確標註，並排除位置錯誤的cup 或disc 掩碼和registration 失敗的情況。

資料特徵：我們的 Harvard-FairSeg 資料集包含來自 10,000 名受試者的 10,000 個樣本。我們將資料分為包含 8,000 個樣本的訓練集和包含 2,000 個樣本的測試集。資料集的平均年齡為 60.3±16.5 歲。在該資料集中，包含了六個敏感屬性，用於深入的公平性學習研究，這些屬性包括年齡、性別、種族、民族、首選語言和婚姻狀況。

在種族人口統計上，資料集包括來自三個主要群體的樣本：亞洲人，有919個樣本；黑人，有 1,473 個樣本；白人，有 7,608 個樣本。在性別方面，女性佔受試者的 58.5%，其餘為男性。民族分佈以90.6% 的非西班牙裔，3.7% 的西班牙裔和 5.7% 的未說明。在首選語言方面，92.4% 的受試者首選英語，1.5% 首選西班牙語，1%首選其他語言，5.1% 未確定。從婚姻狀況的角度來看，57.7%的人已婚或有伴侶，27.1% 是單身，6.8% 經歷過離婚，0.8%法律上分居，5.2%是喪偶，2.4% 未說明。

我們的提升公平性的方法Fair Error-Bound Scaling

我們假設獲得較小整體Dice 損失的樣本組意味著模型對該特定組的樣本學習得更好，因此，這些樣本組需要較小的權重。相反，整體 Dice 損失較大的樣本組（即難處理的案例）可能導致較差的泛化能力並引起更多的演算法偏差，這需要為這些樣本組分配較大的學習權重。

因此，我們提出了一種新的公平誤差界限縮放方法，用於在訓練過程中縮放不同人群組之間的 Dice 損失。我們首先定義預測像素得分和真實目標之間的標準Dice 損失表示為：

為了確保在不同屬性組之間的公平性，我們使用一種新穎的公平誤差界限縮放機制來增強上述Dice損失。損失函數：

透過以這些屬性權重調節預測像素得分，這種損失確保不同屬性組在模型訓練過程中平衡地貢獻於損失函數，從而促進公平性。

用於評估公平分割準確性的 metric：傳統的分割度量如 Dice 和 IoU 提供了對分割性能的洞察，但可能無法有效捕捉不同群體間的公平性。考慮到這一點，我們的目標是提出一種新的 metric，既包括分割的準確性，也包括在不同群體間的公平性。這就產生了一個全面的視角，確保模型既準確又公平。

為了納入群體公平性，我們需要單獨評估群體的準確性。我們首先定義一個分割度量準確率差異 ∆，如下所示：

這裡，∆ 測量了每個群體的準確性與整體準確性的總體偏差。當所有群體達到類似的分割準確性時，它接近零。

當我們考慮不同群體間的公平性時，我們需要計算總體分割準確性與每個人口統計群體內的準確性之間的相對差異。基於這個，我們定義了Equity-Scaled Segmentation Performance（ESSP）度量，如下所定義：

這種公式確保 ESSP 始終小於或等於 I。隨著 ∆ 減少（表示群體間的分割性能平等），ESSP 趨於傳統分割 metric。相反，較高的 ∆ 表示群體間分割表現的更大差異，導致較低的 ESSP 得分。

這種方法允許我們評估分割模型不僅在準確性（透過 Dice、IoU 等 metric）上，而且在不同群體間的公平性上。這使得 ESSP 評分函數成為確保醫學影像任務中分割準確性和公平性的關鍵指標。這種 metric 可以和傳統的 dice IoU 拼在一起 成為 ES-Dice 和 ES-IoU。

實驗

我們選擇了兩個分割網路作為 backbone。其中，我們選擇了最近推出的分割大模型 Segment Anything Model (SAM) 來實驗 SOTA 的分割準確性，另一個 backbone 我們選擇了 TransUNet。

我們也利用了其他分割的 metric 例如 HD95 ASD 和 NSD 進行測試，以下是在種族上的結果：