基于深度学习的息肉检测中性能可变性的来源
计算机视觉与模式识别
2022-11-18 v1
摘要
验证度量是可靠追踪科学进展以及决定方法潜在临床转化的关键前提。尽管近期倡议旨在开发全面的理论框架以理解图像分析问题中与度量相关的陷阱，但缺乏关于常见与罕见陷阱对特定应用具体影响的实验证据。我们在结肠癌筛查背景下弥补文献中的这一空白。我们的贡献有两方面。首先，我们呈现了与 2022 年 IEEE 国际生物医学成像研讨会（ISBI）联合举办的 EndoCV 内镜计算机视觉挑战赛中结肠癌检测任务的获胜方案。其次，我们展示了常用度量对一系列超参数的敏感性以及不当度量选择的后果。基于使用来自六个临床中心的患者数据进行的全面验证研究，我们发现所有常用目标检测度量都受到高中心间变异性的影响。此外，我们的结果清楚表明，采用计算机视觉社区中使用的标准超参数通常不会带来临床上最合理的结果。最后，我们提出了与临床相关性吻合良好的定位标准。我们的工作可能是重新考量自动结肠癌筛查应用中常见验证策略的第一步。
引用
@article{arxiv.2211.09708,
title = {Sources of performance variability in deep learning-based polyp detection},
author = {Thuy Nuong Tran and Tim Adler and Amine Yamlahi and Evangelia Christodoulou and Patrick Godau and Annika Reinke and Minu Dietlinde Tizabi and Peter Sauer and Tillmann Persicke and Jörg Gerhard Albert and Lena Maier-Hein},
journal= {arXiv preprint arXiv:2211.09708},
year = {2022}
}
备注
12 pages, 9 figures, 3 tables. Submitted to IPCAI 2023