皮肤和疟疾图像的分布外检测
图像与视频处理
2021-11-03 v1 计算机视觉与模式识别
摘要
深度神经网络在使用医学图像数据进行疾病检测和分类方面显示出有前景的结果。然而，它们在处理真实世界场景时仍然面临挑战，尤其是在可靠地检测分布外 (OoD) 样本方面。我们提出了一种方法，能够在训练期间无需访问带标签的 OoD 样本，即可对皮肤和疟疾图像中的 OoD 样本进行稳健分类。具体来说，我们使用度量学习和逻辑回归来迫使深度网络学习更丰富的类别代表特征。为了引导学习过程对抗 OoD 示例，我们通过移除图像中特定类别的显著区域或置换图像部分并将其远离分布内样本，来生成与分布内 (ID) 相似的示例。在推理阶段，采用 K-互近邻来检测分布外样本。对于皮肤癌 OoD 检测，我们使用两个标准的基准皮肤癌 ISIC 数据集作为 ID，并将六个难度各异的不同的数据集作为分布外数据。对于疟疾 OoD 检测，我们使用 BBBC041 疟疾数据集作为 ID，并将五个具有挑战性的不同数据集作为分布外数据。我们取得了最先进的结果，在 TNR@TPR95% 指标上，皮肤癌和疟疾 OoD 检测分别比之前的最先进技术提高了 5% 和 4%。
引用
@article{arxiv.2111.01505,
title = {Out of distribution detection for skin and malaria images},
author = {Muhammad Zaida and Shafaqat Ali and Mohsen Ali and Sarfaraz Hussein and Asma Saadia and Waqas Sultani},
journal= {arXiv preprint arXiv:2111.01505},
year = {2021}
}