改进医学图像分割中基于不确定性的分布外检测
图像与视频处理
2024-10-28 v1 计算机视觉与模式识别
机器学习
摘要
深度学习模型很容易受到训练期间未见过的输入图像变化的干扰，从而导致不可预测的行为。这种分布外（OOD）图像在医学图像分析背景下构成了重大挑战，因为可能存在的异常范围极广，包括伪影、未见过的病理或不同的成像协议。在本工作中，我们评估了在多发性硬化症病灶分割背景下用于检测 OOD 输入的各种不确定性框架。通过实施包含 14 种不同性质和强度的 OOD 来源的综合评估方案，我们表明，依赖于二值分割模型预测不确定性的方法在检测离群输入时常常失效。相反，学习同时分割解剖标签和病灶极大地提高了检测 OOD 输入的能力。
引用
@article{arxiv.2211.05421,
title = {Improving Uncertainty-based Out-of-Distribution Detection for Medical Image Segmentation},
author = {Benjamin Lambert and Florence Forbes and Senan Doyle and Alan Tucholka and Michel Dojat},
journal= {arXiv preprint arXiv:2211.05421},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication