在3D医疗图像细分中的分布外检测的局限性
Anton Vasiliuk1,2, Daria Frolova2,3, Mikhail Belyaev2,3
1Moscow Institute of Physics and Technology, Moscow 141701, Russia.
Journal of imaging
|September 27, 2023
概括
在3D医学成像细分中,分布外 (OOD) 检测是不可靠的. 一种新的强度组图特征 (IHF) 方法显示了在关键医疗应用中改善OOD检测性能的希望.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 深度学习模型在与其训练数据不同的分布数据上的性能下降.
- 在医疗成像等关键应用中,OOD检测至关重要,以防止错误的预测.
- 现有的OOD检测方法尚未对3D医疗图像细分任务进行彻底评估.
研究的目的:
- 在3D医疗图像细分的背景下,研究OOD检测方法的有效性.
- 确定当前OOD检测技术在3D医学成像中应用时的局限性.
- 提出一种新的,有效的基线方法,用于OOD检测在这个领域.
主要方法:
- 设计了几项OOD挑战,模拟了3D医学图像细分的临床相关场景.
- 评估了一般的OOD检测方法和专门为细分设计的方法.
- 开发并测试了一种基于强度分布的新方法,强度组图特征 (IHF).
主要成果:
- 评估的OOD检测方法中没有一种在设计的3D医学图像细分挑战中达到可接受的性能.
- 一般的OOD方法表现不佳,最好的平均假阳性率 (FPR) 在95%真阳性率 (TPR) 的0.59.
- 针对细分的专用方法显示出低于最佳的性能 (最佳FPR平均值:0.31),而拟议的IHF方法取得了可比或更好的结果 (平均FPR:0.25).
结论:
- 现有的OOD检测方法对3D医学图像细分有重大局限性.
- 拟议的强度直方图特征 (IHF) 方法为OOD检测在这个领域提供了一个有希望和有效的基线.
- 该研究发布了一个基准数据集和评估标准,以推进用于3D医学成像的OOD检测研究.
