基于神经隐式表示的无监督异常检测选择性测试时适应
机器学习
2024-10-28 v2
摘要
医学影像中的深度学习模型常面临适应训练期未出现的临床场景的挑战。测试时适应提供了一种有前景的解决思路，却在异常检测(AD) 中的应用仍鲜有探索。AD旨在高效识别超出规范分布的偏差；然而，完整适应（包括病理性偏移）可能不慎学习其本意要检测的异常。我们引入一种选择性测试时适应的新概念，利用深度预训练特征的内在特性，对来自未知域的任意测试图像进行零样选择性适应。该方法采用模型中性、轻量级多层感知器(MLP)用于神经隐式表示，实现对任何基于重构的 AD 方法输出的适应，而无需修改源模型。严格的脑部 AD 验证表明，我们的方法显著提升了对多种疾病及不同目标分布的检测准确度。具体而言，本方法对放大脑室的检测率提升最高可达 78%，肿胀的检测率提升 24%。
引用
@article{arxiv.2410.03306,
title = {Selective Test-Time Adaptation for Unsupervised Anomaly Detection using Neural Implicit Representations},
author = {Sameer Ambekar and Julia A. Schnabel and Cosmin I. Bercea},
journal= {arXiv preprint arXiv:2410.03306},
year = {2024}
}
备注
MICCAIw ADSMI 2024 [Best Paper Award]