复盘深度集成不确定性：提升医学异常检测
计算机视觉与模式识别
2024-09-27 v1
摘要
医学异常检测（AD）在病灶识别与定位中至关重要。当前方法通常依赖深度集成中的不确定性估计来检测异常，假设集成学习器在正常样本上应保持一致，而在未见的异常样本上表现出不一致。然而，这些方法可能导致异常样本上的不足不一致或正常样本上的一致性下降。为解决这些问题，我们提出了D2UE（Diversified Dual-space Uncertainty Estimation），用于医学异常检测。为有效平衡异常检测中的一致性与不一致性，我们提出了冗余感知排斥（Redundancy-Aware Repulsion, RAR），其使用保持不变于各向同性缩放和正交变换的相似性核，显式促进学习器特征空间中的多样性。此外，我们开发了双空间不确定性（Dual-Space Uncertainty, DSU），利用集成在输入空间和输出空间中的不确定性。在输入空间，我们首先计算重构误差相对于输入图像的梯度。随后，这些梯度被整合到重构输出中，以估计输入的不确定性，从而即使在输出空间不一致最小的情况下也能有效实现异常判别。我们对五个医学基准进行了全面评估，不同 backbone 结构下实验结果表明，我们的方法优于SOTA方法，并且证明了框架中各组件的有效性。我们的代码已在https://github.com/Rubiscol/D2UE上提供。
引用
@article{arxiv.2409.17485,
title = {Revisiting Deep Ensemble Uncertainty for Enhanced Medical Anomaly Detection},
author = {Yi Gu and Yi Lin and Kwang-Ting Cheng and Hao Chen},
journal= {arXiv preprint arXiv:2409.17485},
year = {2024}
}
备注
Early accepted by MICCAI2024