用于更安全机器人引导视网膜显微手术的无监督分布外检测
计算机视觉与模式识别
2023-05-04 v2 图像与视频处理
摘要
目的：设计安全机器学习系统的一个基本问题是识别部署模型所遇样本与训练时观测样本不同的情况。检测所谓的分布外（OoD）样本在机器人引导视网膜显微手术等安全关键应用中至关重要，其中器械与视网膜间的距离由器械集成光学相干断层扫描（iiOCT）探针采集的 1D 图像序列推导。方法：本工作研究了使用 OoD 检测器识别 iiOCT 探针图像不适合后续基于机器学习的距估计算法的可行性。我们展示了基于 Mahalanobis 距离的简单 OoD 检测器如何成功拒斥来自真实离体猪眼的错误样本。结果：我们的结果表明，所提方法能成功检测 OoD 样本，并将下游任务性能维持在合理水平。MahaAD 优于在同一类错误上训练的有监督方法，并在来自含真实错误的 iiOCT 样本集合中取得了检测 OoD 的最佳性能。结论：结果表明，通过 OoD 检测来检测受损 iiOCT 数据可行且无需关于可能错误的先验知识。因此，MahaAD 可通过阻止部署的预测模型估计危及患者安全的距，来辅助保障机器人引导显微手术中的患者安全。
引用
@article{arxiv.2304.05040,
title = {Unsupervised out-of-distribution detection for safer robotically guided retinal microsurgery},
author = {Alain Jungo and Lars Doorenbos and Tommaso Da Col and Maarten Beelen and Martin Zinkernagel and Pablo Márquez-Neila and Raphael Sznitman},
journal= {arXiv preprint arXiv:2304.05040},
year = {2023}
}
备注
Accepted at IPCAI 2023