理解医学图像分类中的静默失败
图像与视频处理
2023-08-23 v2 计算机视觉与模式识别
机器学习
摘要
为确保分类系统在医学应用中的可靠使用，防止静默失败至关重要。这可通过设计足够鲁棒的分类器从源头避免失败，或使用置信度评分函数（CSFs）检测残余失败来实现。图像分类中失败的一个主要来源是训练数据与部署数据之间的分布偏移。为理解医学影像中静默失败预防的现状，我们开展了首次综合分析，在四项生物医学任务与多种分布偏移下比较各类 CSFs。基于基准测试中无一 CSF 能可靠防止静默失败的结果，我们得出结论：需要对数据中失败的根本原因有更深入的理解。为此，我们引入 SF-Visuals，一种利用潜空间聚类可视化偏移与失败的交互式分析工具。基于多个示例，我们展示了该工具如何帮助研究者洞察医学领域分类系统安全应用的需求。开源基准与工具位于：https://github.com/IML-DKFZ/sf-visuals。
引用
@article{arxiv.2307.14729,
title = {Understanding Silent Failures in Medical Image Classification},
author = {Till J. Bungert and Levin Kobelke and Paul F. Jaeger},
journal= {arXiv preprint arXiv:2307.14729},
year = {2023}
}
备注
Accepted at MICCAI 23