基于素描与微调Transformer的医学成像分布漂移检测
图像与视频处理
2025-05-12 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
分布漂移检测在医学应用中具有重要意义，它通过识别可能影响机器学习模型预测结果的底层数据分布变化，帮助确保模型的准确性和可靠性。然而，现有方法在检测漂移方面存在局限性，例如包含异常数据集可能导致不公平的比较。本文提出了一种准确且灵敏的方法，利用数据素描与微调技术检测CT扫描医学图像中的分布漂移。我们开发了一个鲁棒的基线库模型用于实时异常检测，能够高效地比较传入图像并识别异常。此外，我们微调了一个预训练的Vision Transformer模型以提取相关特征，以乳腺摄影为案例研究，显著提升了模型准确率至99.11%。结合数据素描与微调，我们的特征提取评估表明，相似数据集之间的余弦相似度得分能带来更大的提升，从约50%提高到99.1%。最后，灵敏度评估表明，我们的方案对哪怕1%的椒盐噪声和散斑噪声都高度敏感，但对光照噪声不敏感（例如光照条件对数据漂移无影响）。所提出的方法为在动态临床环境中保持诊断模型的准确性提供了一种可扩展且可靠的解决方案。
引用
@article{arxiv.2408.08456,
title = {Distributional Drift Detection in Medical Imaging with Sketching and Fine-Tuned Transformer},
author = {Yusen Wu and Phuong Nguyen and Rose Yesha and Yelena Yesha},
journal= {arXiv preprint arXiv:2408.08456},
year = {2025}
}