在医疗图像分割中的分布外检测与-VAE和概率后悔
Eliott Simon1, Alexia Briassouli2
1Department of Advanced Computing Sciences, Maastricht University, Maastricht, The Netherlands.
Journal of imaging informatics in medicine
|March 17, 2026
概括
这项研究引入了一种用于检测医疗图像细分中的分布外 (OOD) 数据的新方法. 该方法同时识别了OOD图像样本和细分面具,提高了深度学习模型的可靠性.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 深度学习模型的性能随着分布外 (OOD) 数据的下降而下降.
- 现有的OOD检测方法主要集中在图像样本或像素上,忽视了OOD细分面具.
- 在现实世界医学成像中,地面真相面具的腐败是常见的,需要OOD面具检测.
研究的目的:
- 开发一种在医学成像中同时检测图像样本和细分口罩的OOD检测方法.
- 为了解决OOD在医学图像细分中的基础真相注释未经检查的问题.
- 在临床环境中增强深度学习模型的稳定性和可靠性.
主要方法:
- 一种结合β-变量自编码器 (β-VAE) 进行潜在空间解和U-Net进行细分的新型模型.
- 引入概率遗憾计算输入重建和细分的OOD分数,改进分布适应性评估.
- 对图像样本及其相应的细分面具同时进行OOD检测.
主要成果:
- 拟议的方法有效地在3D医疗图像细分中区分OOD数据.
- 在检测具有大量分布偏移的OOD数据方面表现出色.
- 即使在非常小的分销流量中也实现了竞争性表现.
结论:
- 开发的方法为医疗图像细分中的OOD检测提供了一种系统的方法.
- 这项工作突显了考虑OOD图像样本与OOD图像样本一起考虑OOD细分面具的重要性.
- 这些发现有助于在医学成像中更可靠的深度学习应用.
