基于测试时增强的黑箱模型抗CT退化鲁棒性测试
图像与视频处理
2024-07-01 v1 计算机视觉与模式识别
医学物理
摘要
深度学习模型在医学图像分割和目标检测方面日益增多地作为临床产品出现。然而，由于训练数据细节极少，模型在病例与训练分布不同的情况下可能出现意外失效。一种允许潜在用户独立测试模型鲁棒性的方法尤为重要，用户可仅凭少量本地病例即可进行测试。为此，我们提出了一种测试深度学习模型抗CT图像质量变化鲁棒性的方法。本文通过演示在相同训练数据下，模型架构和数据预处理对常用分割和目标检测方法抗模拟CT成像伪影和退化的鲁棒性产生深远影响。我们的框架也解决了深度学习模型在临床应用中可持续性问题，考虑到由于扫描仪退化或成像协议变更导致的图像质量变化，这些变化在有限的本地测试数据集中未得到体现。
引用
@article{arxiv.2406.19557,
title = {Robustness Testing of Black-Box Models Against CT Degradation Through Test-Time Augmentation},
author = {Jack Highton and Quok Zong Chong and Samuel Finestone and Arian Beqiri and Julia A. Schnabel and Kanwal K. Bhatia},
journal= {arXiv preprint arXiv:2406.19557},
year = {2024}
}