Amose²una metodología de caracterización del error en segmentación de objetos amorfos. La segmentación de hiperintensidades cerebrales como caso de estudio

Abstract

El proceso de diseño de un sistema de segmentación de objetos suele seguir un patrón iterativo e incremental de desarrollo, donde los expertos analizan, en la etapa de evaluación, los errores cometidos por el sistema con el objetivo de conocerlos y proponer soluciones para el refinamiento del sistema. Aunque existe un conjunto de métricas bien definidas para evaluar la calidad de la segmentación de manera automática, la evaluación del error con el objetivo de encontrar su causa ha sido siempre una tarea muy artesanal. Por ello, son necesarios nuevos métodos y herramientas para facilitar la evaluación de un sistema durante su diseño que sean explicables, flexibles, interactivos, analíticos y contextuales. En este trabajo, con el objetivo de descubrir nuevo conocimiento del error de una forma automatizada, se propone una metodología para la caracterización del error en segmentación de objetos amorfos bajo la hipótesis de que existe un número reducido de patrones que explican una buena parte de los errores. Esta metodología, denominada AMOSE2, propone modelar el error por objetos individuales y realiza una descripción detallada de ellos mediante un vector de características para cada objeto de error, lo que permite realizar un análisis más profundo de los errores de segmentación mediante técnicas de clustering y de detección de outliers propias de la IA. Además, se introducen modelos de conocimiento mediante ontologías para describir las características visuo-espaciales (reutilizables entre dominios) y de contexto (propias del dominio) de los objetos segmentados y de su error. Se distinguen dos tipos de características según el origen de la información, las generadas a partir de información externa al sistema de segmentación y las generadas internamente por el sistema de segmentación (que solo son accesibles en los sistemas de caja gris). La descripción ontológica del conocimiento permite mejorar la manipulación de las variables, facilitar la interacción con el experto o realizar una selección de características basada tanto en medidas estadísticas como semánticas. Los patrones de error detectados son analizados por los diseñadores del sistema con el objetivo de seleccionar los más relevantes, los cuales permitirán orientar los esfuerzos en el siguiente ciclo de refinamiento en la etapa de diseño. Se ha implementado un prototipo siguiendo las definiciones de la metodología, el cual se compone de una herramienta para la descripción y análisis de los errores en segmentación (AMOSE2 analysis) y una herramienta de exploración interactiva de resultados (AMOSE2 web report). Para su validación y ejemplo de uso, se ha utilizado un problema real, la segmentación de manchas de sustancia blanca cerebral en imágenes de resonancia magnética. Se han evaluado tres sistemas sobre cinco datasets distintos para mostrar los dos formas de uso de la metodología AMOSE2: el análisis individual, donde se compara la propuesta de un sistema de visión por computador (SVC) respecto a una referencia dada, y el análisis comparado, donde se compara, además, respecto a otro sistema de segmentación. Los hallazgos de patrones de error relevantes han sido de utilidad para el refinamiento del sistema de segmentación AMOS-2D. PALABRAS CLAVE: Diseño de sistemas cognitivos en visión artificial, caracterización del error en segmentación, reconocimiento de patrones, IA explicable, detección de agrupaciones de error, detección de anomalías de error, visualización de datos, objetos amorfos, lesiones de sustancia blanca cerebral.