面向前列腺癌检测的校准多样化集成熵最小化：稳健测试时适应
计算机视觉与模式识别
2024-07-18 v1
摘要
高分辨率微超声声像已在实时前列腺癌检测中显示出前景，而深度学习正成为学习复杂组织属性的主要工具。然而，实际部署的主要障碍之一被先前工作常忽视：当应用到不同临床中心的数据时，模型性能会受到数据分布变化的影响。这一分布迁移显著影响模型的鲁棒性，构成临床部署的主要挑战。域适应及其特定的测试时适应(TTA)变体为解决这一挑战提供了希望。在旨在反映实际条件的设置下，我们比较了现有方法与针对癌症检测采用的先进TTA方法，表明前者对分布迁移缺乏鲁棒性。我们随后提出了多样化集成熵最小化(DEnEM)，质疑当前TTA方法在声像数据上的有效性。我们展示，这些方法尽管优于基线方法，却次优于，因为它们依赖神经网络输出概率，这些概率可能未被校准，或依赖数据增强，而在声像数据上难以定义。我们的结果显示，与现有方法相比，AUROC提升至，与TTA方法相比提升至，表明DEnEM在解决分布迁移方面的优势。
引用
@article{arxiv.2407.12697,
title = {Calibrated Diverse Ensemble Entropy Minimization for Robust Test-Time Adaptation in Prostate Cancer Detection},
author = {Mahdi Gilany and Mohamed Harmanani and Paul Wilson and Minh Nguyen Nhat To and Amoon Jamzad and Fahimeh Fooladgar and Brian Wodlinger and Purang Abolmaesumi and Parvin Mousavi},
journal= {arXiv preprint arXiv:2407.12697},
year = {2024}
}