利用卷积神经网络改善医学图像分割中的校准与分布外检测
计算机视觉与模式识别
2022-12-06 v3 机器学习
图像与视频处理
机器学习
摘要
卷积神经网络（CNNs）已被证明是强大的医学图像分割模型。在本研究中，我们解决有关这些模型的一些主要未决问题。具体而言，在小规模医学图像数据集上训练这些模型仍具挑战性，许多研究推崇迁移学习等技术。此外，这些模型以产生过度自信的预测以及在测试时面对分布外（OOD）数据静默失败而臭名昭著。在本文中，我们主张多任务学习，即在多个不同数据集上训练单一模型，涵盖多个不同感兴趣器官和不同成像模态。我们表明，单个 CNN 不仅学会自动识别上下文并准确分割各上下文中的感兴趣器官，而且这种联合模型常比在每个数据集上分别训练的专业模型具有更准确且校准更好的预测。我们的实验表明多任务学习在医学图像分割任务中可优于迁移学习。对于检测 OOD 数据，我们提出一种基于 CNN 特征图谱分析的方法。我们表明，代表不同成像模态和/或不同感兴趣器官的不同数据集具有独特的谱特征，可用于识别测试图像是否与训练模型所用的图像相似。我们表明该方法远比基于预测不确定性的 OOD 检测准确。本文提出的方法对提升基于 CNN 的医学图像分割模型的准确性与可靠性贡献显著。
引用
@article{arxiv.2004.06569,
title = {Improving Calibration and Out-of-Distribution Detection in Medical Image Segmentation with Convolutional Neural Networks},
author = {Davood Karimi and Ali Gholipour},
journal= {arXiv preprint arXiv:2004.06569},
year = {2022}
}