利用模型和度量集成提高脑 MRI 重建基准外分布检测性能

外分布 (OOD) 检测对于安全部署自动化医学图像分析系统至关重要，因为图像中的异常模式可能会影响其性能。然而，医学影像的 OOD 检测仍是一个开放挑战，我们据此指出了三个方面的不足：简单 OOD 检测模型的潜在作用尚未得到充分探索、针对 OOD 检测的深度学习策略缺乏优化、以及未选择合适的重建度量。在本研究中，我们研究了基于重建的自编码器用于检测脑 MRI 中人工合成伪影的有效性。我们评估了模型的一般重建能力，分析了所选训练时期和重建度量的影响，评估了模型和/或度量集成的潜力，并在包含多样化伪影的数据集上测试了该模型。在所评估的度量中，SSIM 和 LPIPS 的对比成分始终在检测均匀圆形异常方面优于其他度量。通过结合两个良好收敛的模型并使用 LPIPS 和对比作为重建度量，我们实现了像素水平的精确-召回曲线下面积为 0.66。此外，在更真实的 OOD 数据集上，我们观察到检测性能在不同伪影类型之间存在差异；局部伪影检测较为困难，而全局伪影显示更好的检测结果。这些发现凸显了在选择度量和模型配置方面的重要性，以及针对 OOD 检测需求的定制化方法的必要性，表明标准深度学习方法不总是与 OOD 检测的独特需求保持一致。