3D 医学图像分割中分布外检测的局限性
图像与视频处理
2023-06-26 v1
摘要
当数据来自不同于训练数据的分布时，深度学习模型的表现不可靠。在医学成像等关键应用中，分布外（OOD）检测方法有助于识别此类数据样本，防止错误预测。本文中，我们进一步考察 OOD 检测应用于 3D 医学图像分割时的有效性。我们设计了若干代表临床出现的情形的 OOD 挑战，并表明这些方法均未达到可接受性能。非专用于分割的方法在所设计设置中严重失败；其在 95% 真正率下的最佳平均假正率（FPR）为 0.59。专用于分割的方法仍取得次优性能，最佳平均 FPR 为 0.31（越低越好）。为指明此次优性，我们开发了一种称为强度直方图特征（IHF）的简单方法，其在相同挑战中表现相当或更好，平均 FPR 为 0.25。我们的发现凸显了现有 OOD 检测方法在 3D 医学图像上的局限性，并提出了改进的有前景途径。为促进该领域研究，我们将所设计的挑战作为公开可用基准发布，并制定了用于检验 OOD 检测超出所建议基准之泛化能力的实用准则。我们还提出 IHF 作为一个坚实基线以评判新兴方法。
引用
@article{arxiv.2306.13528,
title = {Limitations of Out-of-Distribution Detection in 3D Medical Image Segmentation},
author = {Anton Vasiliuk and Daria Frolova and Mikhail Belyaev and Boris Shirokikh},
journal= {arXiv preprint arXiv:2306.13528},
year = {2023}
}
备注
This work has been submitted to the IEEE for possible publication. 10 pages, 5 figures, 5 tables