解决三维医学图像上的样本级分布外检测
图像与视频处理
2023-06-26 v2 计算机视觉与模式识别
摘要
深度学习（DL）模型在数据来自不同于训练分布时往往表现不佳。在医学成像等关键应用中，分布外（OOD）检测有助于识别此类数据样本，提升模型的可靠性。近期工作开发了基于 DL 的 OOD 检测，在 2D 医学图像上取得了有前景的结果。然而，将大多数这些方法扩展到 3D 图像在计算上难以处理。此外，当前的 3D 方案即使在检测合成 OOD 样本时也难以达到可接受的结果。如此有限的性能可能表明 DL 经常低效地嵌入大型体图像。我们认为，使用原始 CT 或 MRI 扫描的强度直方图作为嵌入足以运行 OOD 检测。因此，我们提出了一种无需 DL 的基于直方图的方法，并在该领域取得了近乎完美的结果。我们的提议得到两方面的支持。我们在公开可用数据集上评估性能，其中我们的方法在大多数设置中 AUROC 得分为 1.0。并且我们在 Medical Out-of-Distribution 挑战赛中未微调且未利用任务特定知识的情况下获得第二名。在仔细讨论局限性后，我们得出结论：我们的方法在当前设定下解决了三维医学图像上的样本级 OOD 检测。
引用
@article{arxiv.2212.06506,
title = {Solving Sample-Level Out-of-Distribution Detection on 3D Medical Images},
author = {Daria Frolova and Anton Vasiliuk and Mikhail Belyaev and Boris Shirokikh},
journal= {arXiv preprint arXiv:2212.06506},
year = {2023}
}
备注
We had made a mistake in the proposed algorithm's code (IHF), which led to a biased evaluation -- the reported AUROC scores (Tab. 1) are higher than they should be. It led to a false conclusion and the primary paper's message