改善医疗图像分割深度模型中的校准和分布外检测
Davood Karimi1, Ali Gholipour1
1Department of Radiology, Boston Children's Hospital, and Harvard Medical School, Boston, Massachusetts, USA.
IEEE transactions on artificial intelligence
|October 23, 2023
概括
多任务学习改善了用于医学成像的卷积神经网络 (CNN) 校准. 一种新的光谱分析方法提高了分布之外的检测,超过了医疗保健中强大的AI现有技术.
科学领域:
- 人工智能的人工智能
- 医学成像分析 医学成像分析
- 医疗保健中的机器学习
背景情况:
- 卷积神经网络 (CNN) 在医疗图像细分方面是有效的,但在小数据集方面面临挑战.
- 美国有线电视频道经常表现出过于自信的预测,并且在OOD数据上默默地失败.
- 现有的转移学习等方法解决了数据集的局限性,但校准和OOD检测仍然存在问题.
研究的目的:
- 为了改善CNN中的预测校准,用于医疗图像细分.
- 开发一种可靠的方法来检测医疗成像中的分布外 (OOD) 测试数据.
- 提高AI模型在临床应用中的可靠性和安全性.
主要方法:
- 倡导多任务学习,培训单个CNN在不同的数据集 (不同的器官,模式) 上,以提高预测校准.
- 提出了一种新的分布外检测方法,利用CNN特征地图的光谱分析.
- 将拟议的光谱分析方法与基于不确定性和基于分类的OOD检测技术进行了比较.
主要成果:
- 多任务学习显著改善了CNN模型的信心校准.
- 拟议的光谱分析方法有效地识别了不同数据集的不同光谱特征,从而实现了准确的OOD检测.
- 与竞争对手的OOD检测方法相比,光谱分析方法显示出更高的精度.
结论:
- 多任务学习是改善医学成像中CNN校准的可行策略.
- 特征图的光谱分析为医疗AI中OOD检测提供了一个有希望和准确的方法.
- 开发的方法有助于更可靠和值得信赖的AI系统用于医疗图像分析.
