基于Transformer的分布外检测用于临床安全分割
计算机视觉与模式识别
2023-05-19 v2 机器学习
摘要
在临床环境中,部署的图像处理系统必须对其可能遇到的全部输入具有鲁棒性,尤其不能做出过度自信的错误预测。最流行的安全处理方法是将网络训练为能够提供其不确定性度量,但这些方法对于远离训练数据分布的输入往往失效。最近,生成建模方法被提议作为替代方案;这些方法可以显式量化数据样本的可能性,从而在进一步处理前过滤掉任何分布外(OOD)样本。在本工作中,我们聚焦于图像分割,并在头部CT中分割出血的任务上评估了多种网络不确定性方法在远OOD和近OOD情况下的表现。我们发现所有这些方法都不适用于安全分割,因为它们在OOD操作时给出过度自信的错误预测。我们提出使用VQ-GAN提供图像的压缩潜表示,并使用transformer估计数据可能性,从而执行完整的3D OOD检测。我们的方法成功识别了远OOD和近OOD情况下的图像。我们发现图像可能性与模型分割质量之间存在强关系,使得该方法可用于过滤不适合分割的图像。据我们所知,这是transformer首次被应用于对3D图像数据执行OOD检测。代码可在 github.com/marksgraham/transformer-ood 获取。
引用
@article{arxiv.2205.10650,
title = {Transformer-based out-of-distribution detection for clinically safe segmentation},
author = {Mark S Graham and Petru-Daniel Tudosiu and Paul Wright and Walter Hugo Lopez Pinaya and U Jean-Marie and Yee Mah and James Teo and Rolf H Jäger and David Werring and Parashkev Nachev and Sebastien Ourselin and M Jorge Cardoso},
journal= {arXiv preprint arXiv:2205.10650},
year = {2023}
}
备注
Accepted at MIDL 2022 (Oral)