在无线囊内镜图像中进行自我监督的分布外检测
Arnau Quindós1, Pablo Laiz1, Jordi Vitrià1
1Departament de Matemàtiques i Informàtica, Universitat de Barcelona (UB), Barcelona, Spain.
Artificial intelligence in medicine
|September 6, 2023
概括
这项研究引入了一种新的自我监督方法,用于在医学诊断中检测分布外 (OOD) 图像. 该方法有效地识别无线囊内镜图像中的未见异常,而不需要标记数据.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 深度学习模型在许多领域都表现出色,但在分布外 (OOD) 输入方面存在困难,这些输入在医学应用中对于检测罕见疾病或异常至关重要.
- 强大的OOD医学图像检测对于患者安全和准确的诊断至关重要.
研究的目的:
- 开发一种新的基于补丁的,自我监督的方法,用于在无线囊内镜 (WCE) 图像中改进OOD检测.
- 创建一个能够识别未见病态和异常而不依赖标记数据集的系统.
主要方法:
- 采用了三阶段的自我监督方法,首先是训练WCE图像补丁表示学习的三重网络.
- 补丁嵌入被基于视觉相似性进行集群,这些集群分配被用作伪标签.
- 使用伪标签训练了一个补丁分类器,将神经网络的分布外探测器 (ODIN) 纳入用于OOD检测.
主要成果:
- 与基线方法相比,拟议的方法在Kvasir-capsule WCE数据集上证明了OOD检测性能的提高.
- 该系统成功地检测到未见的病态和异常,包括淋巴管切开,异物和血液,实现接收器操作特征曲线 (AUROC) 下的面积大于0.6.6.
- 这种方法在没有需要标记图像的情况下在OOD检测中被证明是有效的.
结论:
- 这项工作提出了一种有效和新的自我监督解决方案,用于医疗成像中OOD检测,特别是WCE.
- 基于补丁的方法提高了深度学习模型在识别异常或罕见发现方面的稳定性.
- 该方法为医学诊断提供了一种有价值的工具,特别是在罕见疾病的数据有限或没有标记的场景中.
