皮肤镜图像分类的分布外检测
计算机视觉与模式识别
2021-04-20 v2 机器学习
摘要
若有足够多样的每类疾病训练数据，深度神经网络可实现医学图像诊断。然而，训练时未遇到的未知疾病类将不可避免地被判错，即便以低概率预测也是如此。该问题对医学图像诊断尤为关键，当呈现一张未知疾病的图像供诊断时，尤其当图像来自同一图像域，如皮肤镜皮肤图像。当前分布外检测算法在分布内类别不平衡时不公平，偏向训练集中数量最多的疾病。这可能导致对罕见却常具医学重要性的病例的误诊。我们开发了一种新颖而简单的方法来训练神经网络，使其能在测试时对分布内皮肤镜皮肤疾病图像分类并检测皮肤镜图像中的新疾病。我们表明，我们的 BinaryHeads 模型不仅在数据不平衡时不损害分类平衡准确率，还持续提升平衡准确率。我们还引入一种重要方法，基于不同数量分布外数据的存在（可能出现在真实场景中）来考察分布外检测方法的有效性。
引用
@article{arxiv.2104.07819,
title = {Out-of-Distribution Detection for Dermoscopic Image Classification},
author = {Mohammadreza Mohseni and Jordan Yap and William Yolland and Majid Razmara and M Stella Atkins},
journal= {arXiv preprint arXiv:2104.07819},
year = {2021}
}
备注
10 pages, 6 figures