基于知识的网络引发形状异常检测方法
计算机视觉与模式识别
2025-11-10 v1 人工智能
摘要
合成数据作为解决机器学习模型数据稀缺问题的有前景的方法，但若无proper quality assessments而直接采用，可能引入artifacts、失真和不真实的特征，影响模型性能和临床实用性。本工作引入一种新颖的基于知识的异常检测方法，用于检测网络引发的形状异常。该方法采用两阶段框架，包括(i)一种新颖特征提取器，通过分析解剖边界上角度梯度在per-image分布中的特征空间构建，以及(ii)基于孤立森林的异常检测器。我们展示了该方法在两个由CSAW-M和VinDr-Mammo患者数据集分别训练的合成乳腺X射线图像数据集中识别网络引发的形状异常的有效性。定量评估表明，该方法成功地在最异常分区(第1百分位)集中artifacts，CSAW-syn和VMLO-syn的AUC分别为0.97和0.91。此外，针对三位影像科学家的读者研究确认，使用该方法识别的包含网络引发形状异常的图像也被人类读者标记，最异常分区的平均一致率为66%(CSAW-syn)和68%(VMLO-syn)，约为最不异常分区的1.5-2倍。算法与人类排名之间的Kendall-Tau相关系数分别为两个数据集的0.45和0.43，表明尽管面临细微artifact检测的挑战，方法仍表现出合理的一致性。这一方法是负责任使用合成数据的一步进步，允许开发人员评估合成图像是否满足已知解剖约束，并定位和解决特定问题以提高合成数据集的整体质量。
引用
@article{arxiv.2511.04729,
title = {Knowledge-based anomaly detection for identifying network-induced shape artifacts},
author = {Rucha Deshpande and Tahsin Rahman and Miguel Lago and Adarsh Subbaswamy and Jana G. Delfino and Ghada Zamzmi and Elim Thompson and Aldo Badano and Seyed Kahaki},
journal= {arXiv preprint arXiv:2511.04729},
year = {2025}
}
备注
15 pages, 11 figures