重新设计三维医学图像上的分布外检测
图像与视频处理
2023-08-16 v1 机器学习
摘要
检测分布外（OOD）样本以实现可信的医学图像分割仍然是一个重大挑战。这里的关键问题是对异常数据缺乏严格定义，这常常导致没有可衡量临床影响的人为问题设定。在本文中，我们根据体积医学成像及相关下游任务（如分割）的特性重新设计了 OOD 检测问题。我们提出使用下游模型的性能作为图像之间的伪度量来定义异常样本。该方法使我们能够根据性能影响对不同样本进行加权，而无需显式的 ID/OOD 区分。我们将这种加权纳入一个名为期望性能下降（EPD）的新指标中。EPD 是我们对新问题设计的核心贡献，使我们能够根据临床影响对方法进行排序。我们在 11 个 CT 和 MRI 的 OOD 检测挑战中展示了基于 EPD 的评估的有效性。
引用
@article{arxiv.2308.07324,
title = {Redesigning Out-of-Distribution Detection on 3D Medical Images},
author = {Anton Vasiliuk and Daria Frolova and Mikhail Belyaev and Boris Shirokikh},
journal= {arXiv preprint arXiv:2308.07324},
year = {2023}
}