检测预训练nnU-Net模型在Covid-19肺部病灶分割中的静默失效
图像与视频处理
2021-07-15 v2 计算机视觉与模式识别
机器学习
摘要
计算机断层扫描中肺部病灶的自动分割有潜力在Covid-19大流行期间减轻临床医生的负担。然而预测性深度学习模型由于在分布外(OOD)数据中静默失效而在临床常规中不受信任。我们提出了一种轻量级OOD检测方法,利用特征空间中的马氏距离(Mahalanobis distance)。所提方法可无缝集成到最先进的分割流程中,无需改变模型架构或训练过程,因此可用于评估预训练模型对新数据的适用性。我们用基于块(patch-based)的nnU-Net架构在一个多机构数据集上训练来验证我们的方法,发现它能有效检测模型分割错误的样本。
引用
@article{arxiv.2107.05975,
title = {Detecting when pre-trained nnU-Net models fail silently for Covid-19 lung lesion segmentation},
author = {Camila Gonzalez and Karol Gotkowski and Andreas Bucher and Ricarda Fischbach and Isabel Kaltenborn and Anirban Mukhopadhyay},
journal= {arXiv preprint arXiv:2107.05975},
year = {2021}
}