基于深度神经网络的各种开集医学影像任务评估
图像与视频处理
2021-10-22 v1 计算机视觉与模式识别
摘要
当前一代深度神经网络在“闭集”图像识别上已取得接近人类的结果；即被评估的类别与训练类别重叠。许多近期方法试图解决未知类的重要性，被称为“开集”识别算法，试图拒绝未知类并在已知类上保持高识别准确率。然而，从不同但更特定的领域（如医学领域）训练于 ImageNet 的通用领域开集方法表现如何仍不清楚。若无原则性和形式化评估来衡量这些通用开集方法的有效性，基于人工智能（AI）的医学诊断将遭遇低效采用及错误决策风险增加。本文中，我们在最先进的开集方法间进行严格评估，探索从“相似域”到“不同域”的各种开集场景，并在多个通用与医学领域数据集上比较它们。我们总结结果和核心思想，并解释模型如何对不同程度开放性和开放类不同分布作出反应。我们通过结果的定量与定性分析展示了通用领域训练与医学领域训练的开集模型间的主要差异。我们还根据置信度校准和推理效率确定了真实临床工作流使用中的模型鲁棒性方面。
引用
@article{arxiv.2110.10888,
title = {Evaluation of Various Open-Set Medical Imaging Tasks with Deep Neural Networks},
author = {Zongyuan Ge and Xin Wang},
journal= {arXiv preprint arXiv:2110.10888},
year = {2021}
}