nnOOD：一种用于基准测试自监督异常定位方法的框架
计算机视觉与模式识别
2022-09-05 v1
摘要
医学影像中分布内与分布外数据的多样性使得通用异常检测成为一项具有挑战性的任务。近来已开发出若干自监督方法，它们在用合成异常增强的健康数据上训练端到端模型。然而，这些方法难以比较，因为不清楚性能提升是来自任务本身还是其周围的训练流程。同样难以评估某个任务是否对通用异常检测具有良好的泛化性，因为它们通常仅在有限的异常范围内进行测试。为此，我们开发了nnOOD，一个将nnU-Net改造以比较自监督异常定位方法的框架。通过将合成的自监督任务与训练过程的其余部分隔离，我们对任务进行了更忠实的比较，同时也使在给定数据集上的评估工作流程快速简便。利用该框架，我们实现了当前的先进任务，并在具有挑战性的X射线数据集上对其进行了评估。
引用
@article{arxiv.2209.01124,
title = {nnOOD: A Framework for Benchmarking Self-supervised Anomaly Localisation Methods},
author = {Matthew Baugh and Jeremy Tan and Athanasios Vlontzos and Johanna P. Müller and Bernhard Kainz},
journal= {arXiv preprint arXiv:2209.01124},
year = {2022}
}
备注
Accepted as Spotlight to UNSURE 2022, a workshop at MICCAI 2022