面向鲁棒皮肤病变分析的测试时选择
计算机视觉与模式识别
2023-08-11 v1
摘要
皮肤病变分析模型受图像采集时引入的伪影偏置，这些伪影虽不含临床信息却影响模型预测。通过正则化模型以阻止学习那些虚假特征来解决此问题的方法仅获部分成功，且现有测试时去偏技术因或对测试数据分布作不现实假设、或需医学从业者费力标注而不适用于皮肤病变分析。我们提出TTS（Test-Time Selection，测试时选择），一种利用测试样本中正（如病变区域）负（如伪影）关键点的人机协同方法。TTS有效引导模型远离利用虚假伪影相关，无需重训练且标注需求更少。我们的方案对标注可用性与偏置程度的变化均鲁棒。我们在ISIC2019数据集（我们发布了其标注图像子集）上展示了模型如何部署于真实世界以缓解偏置。
引用
@article{arxiv.2308.05595,
title = {Test-Time Selection for Robust Skin Lesion Analysis},
author = {Alceu Bissoto and Catarina Barata and Eduardo Valle and Sandra Avila},
journal= {arXiv preprint arXiv:2308.05595},
year = {2023}
}
备注
Accepted at ISIC Workshop @ MICCAI 2023