缩小尺寸和最近的邻居,以改善医疗图像分割中的分布外检测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度学习细分模型在训练分布之外的数据上可能会失败.
• 自动化偏差可能来自于大多数情况下的可靠性能,掩盖偶尔的故障.
• 在推断过程中检测分布外 (OOD) 图像对于提醒临床医生潜在的模型错误至关重要.

研究的目的:

• 评估用于深度学习细分模型中检测OOD图像的尺寸缩小技术.
• 评估Mahalanobis距离 (MD) 和k-最近邻居 (KNN) 对于OOD检测的性能.
• 通过识别失败病例,提高临床实践中深度学习模型的可靠性.

主要方法:

• 应用Mahalanobis距离 (MD) 到Swin UNETR和nnU-net模型的瓶特征,细分肝脏MRI和CTs.
• 使用主要组件分析 (PCA) 和统一多重近似和投影 (UMAP) 减少瓶特征尺寸.
• 在原始和聚合特征上探索k-th最近邻近距离 (KNN) 作为MD的非参数替代方案.

主要成果:

• 尺寸缩小技术 (PCA,UMAP) 能够在最小的计算成本下高性能检测失败的细分.
• 当应用到瓶特征时,K-最近邻居 (KNN) 在可扩展性和检测准确性方面显著超过了MD.
• 无论是MD还是KNN,当与尺寸缩小相结合时,都成功地识别了模型失败的分布外图像.

结论:

• 维度缩小是有效的提高OOD检测在临床深度学习细分.
• 在医疗成像AI中,KNN为OOD检测提供了MD的可扩展和高性能替代方案.
• 实施这些方法可以减轻自动化偏差,并提高AI在放射学中的安全性.