在不了解医疗图像中的异常的情况下检测普遍异常的可行性
Can Cui1, Yaohong Wang2, Shunxing Bao1
1Vanderbilt University, Nashville TN 37235, USA.
Medical image learning with limited and noisy data : second international workshop, MILLanD 2023, held in conjunction with MICCAI 2023, Vancouver, BC, Canada, October 8, 2023, proceedings. MILLanD (Workshop) : (2nd : 2023 : Vancouver, B...
|March 25, 2024
概括
这项研究涉及医疗图像中普遍异常检测. 一种新的整体方法提高了在没有先前数据的情况下识别未知的异常的稳定性,达到0.956.95的平均AUC.
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:
- 对于异常检测的深度学习方法在训练过程中通常只使用正常图像.
- 以前的方法是针对特定已知的异常进行优化,有时在验证过程中使用异常图像,冒着意外数据泄露的风险.
研究的目的:
- 为了调查医学图像中不偏见的异常检测.
- 在不同的数据集中比较现有的异常检测方法.
- 提出一种强大的组合方法来检测未知的异常.
主要方法:
- 在四个医学成像数据集上对各种异常检测技术进行比较分析.
- 开发一个不偏见的验证策略,只使用正常图像.
- 实施决策级合并方法,用于组合多种异常检测模型.
主要成果:
- 没有任何一种异常检测方法在所有数据集中始终表现优于其他方法.
- 拟议的组合方法显示了增强的性能稳定性.
- 整体方法实现了0.956.6的曲线下的平均面积 (AUC).
结论:
- 在医学图像中检测通用异常需要仔细考虑验证策略.
- 集合方法提供了一个强大的方法,利用各种异常检测技术.
- 拟议的方法有效地检测到未知的异常,而没有先前的暴露.
