医学图像分割中的无监督偏置发现
计算机视觉与模式识别
2023-09-04 v1
摘要
近期研究表明，医学图像中用于解剖结构分割的深度学习模型可能对以性别或种族等受保护属性定义的某些子群体表现出偏置。在此背景下，审计深度分割模型的公平性变得至关重要。然而，此类审计过程通常需要获取目标群体的真实分割掩码，而这并非总是可用，尤其在从开发转向部署时。本文提出一种在缺乏真实标注的情况下预判生物医学图像分割模型偏置的新方法。我们的无监督偏置发现方法利用逆向分类精度框架来估计分割质量。通过在合成与真实场景中的数值实验，我们展示了该方法如何在无真实标签的情况下成功预判公平性问题，从而构成本领域一种新颖且有价值的工具。
引用
@article{arxiv.2309.00451,
title = {Unsupervised bias discovery in medical image segmentation},
author = {Nicolás Gaggion and Rodrigo Echeveste and Lucas Mansilla and Diego H. Milone and Enzo Ferrante},
journal= {arXiv preprint arXiv:2309.00451},
year = {2023}
}
备注
Accepted for publication at FAIMI 2023 (Fairness of AI in Medical Imaging) at MICCAI