通过OOD过和自组装来进行跨域白细胞分类的测试时间增长.

科学领域:

• 机器学习 机器学习
• 计算机视觉 计算机视觉
• 医疗成像医学成像

背景情况:

• 由于数据采集的变化造成的域移动,在机器学习中构成了重大挑战,特别是在医疗应用中.
• 测试时间增强 (TTA) 是一种技术,用于通过汇总来自多个增强数据样本的预测来增强模型的稳定性.
• 标准TTA可以无意中引入分布外 (OOD) 样本,从而对预测准确性产生负面影响.

研究的目的:

• 开发一种用于过在TTA期间生成的OOD样本的新方法.
• 提高机器学习模型在存在域移动时的稳定性和准确性.
• 引入一个轻量级的自我组合策略,以提高预测融合.

主要方法:

• 实施过程序以识别和删除TTA图像中的OOD样本,根据它们与训练数据分布的距离.
• 保留的TTA图像的权重与它们与训练数据分布的距离成反比例.
• 采用了自组合与信心策略,将来自原始和过的TTA样本的预测结合起来,使用加权软投票.

主要成果:

• 拟议的方法在跨域白细胞分类任务上与标准TTA和基线推断相比显示出一致的改进.
• 在强烈的领域转移条件下,有效性尤其显著.
• 废弃性研究和统计分析证实了拟议方法的每个组成部分的显著贡献.

结论:

• 开发的过和权重策略有效地减轻了TTA中OOD样本的负面影响.
• 自我组合与信心方法提供了一个模型不可知和计算效率高的方法来提高预测准确性.
• 这种方法在各种机器学习领域中具有广泛的适用性,面临领域转移挑战.