面向医学图像数据集的开放集不确定性感知深层单形分类器
计算机视觉与模式识别
2025-11-12 v1
摘要
随着深度学习的发展，计算机辅助诊断取得了显著进展。然而，在受控实验室之外的场景中，算法可能面临多种挑战。在医疗领域，这些困难常源于由于伦理和法律限制导致的数据稀缺，以及专家标注成本和耗时的高要求——尤其在新兴或罕见疾病面前。值得注意的是，开放集识别在此背景下发挥关键作用，通过识别样本是否属于训练期间看到的已知类别或应被拒绝为未知类别来应对这一挑战。近期研究表明，深度神经网络后期阶段学习到的特征观察到聚类集中在其类别均值附近，而这些均值本身构成正单形的 individual 顶点 [32]。该方法引入一种损失函数，旨在通过对开放空间区域进行惩罚来有效识别未知类别样本。该方法在四个 MedMNIST 数据集上实现显著性能提升：BloodMNIST、OCTMNIST、DermaMNIST、TissueMNIST 以及一个公开的皮肤数据集 [29]，显著优于最新技术。
引用
@article{arxiv.2511.08196,
title = {UCDSC: Open Set UnCertainty aware Deep Simplex Classifier for Medical Image Datasets},
author = {Arnav Aditya and Nitin Kumar and Saurabh Shigwan},
journal= {arXiv preprint arXiv:2511.08196},
year = {2025}
}
备注
10 pages, Accepted at IEEE/CVF WACV 2026, Source code is available at this URL https://github.com/Arnavadi19/UCDSC