基于小波归一化流的高效黑色素瘤分布外检测
计算机视觉与模式识别
2022-08-11 v2
摘要
黑色素瘤是一种严重的皮肤癌，晚期死亡率高。幸运的是，若早期发现，黑色素瘤预后良好且恶性黑色素瘤发病率相对较低。因此，数据集高度不平衡，这使训练当前最先进的有监督分类 AI 模型变得复杂。我们提议使用生成模型学习良性数据分布，并通过密度估计检测分布外（OOD）的恶性图像。归一化流（NFs）因能够计算精确似然而成为 OOD 检测的理想候选。然而，它们对表观图形特征而非语义上下文的归纳偏置妨碍了准确的 OOD 检测。本工作中，我们旨在利用这些偏置结合黑色素瘤的域级知识，改进基于似然的恶性图像 OOD 检测。我们令人鼓舞的结果展示了使用 NFs 进行黑色素瘤 OOD 检测的潜力。通过使用基于小波的 NFs，我们在接收者操作特征曲线下面积上实现了 9% 的提升。该模型推断所需参数显著更少，使其在边缘设备上更具适用性。所提方法可辅助医学专家诊断皮肤癌患者并持续提高生存率。此外，本研究为肿瘤学中其他具有类似数据不平衡问题的领域铺平了道路。
引用
@article{arxiv.2208.04639,
title = {Efficient Out-of-Distribution Detection of Melanoma with Wavelet-based Normalizing Flows},
author = {M. M. Amaan Valiuddin and Christiaan G. A. Viviers and Ruud J. G. van Sloun and Peter H. N. de With and Fons van der Sommen},
journal= {arXiv preprint arXiv:2208.04639},
year = {2022}
}
备注
Published at 1st Workshop on Cancer Prevention through early detecTion (MICCAI 2022)