論文の概要: A Benchmark of Medical Out of Distribution Detection
- arxiv url: http://arxiv.org/abs/2007.04250v2
- Date: Wed, 5 Aug 2020 02:05:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 09:54:59.988060
- Title: A Benchmark of Medical Out of Distribution Detection
- Title(参考訳): 配電検出の医学的成果のベンチマーク
- Authors: Tianshi Cao, Chin-Wei Huang, David Yu-Tung Hui, Joseph Paul Cohen
- Abstract要約: 実際にどのOoDD(Out-of-Distribution Detection)メソッドを使うべきかは不明だ。
本稿では,OoD例の3つのカテゴリを定義し,医用画像の3領域で一般的なOoDD法をベンチマークする。
- 参考スコア(独自算出の注目度): 12.128234521287977
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motivation: Deep learning models deployed for use on medical tasks can be
equipped with Out-of-Distribution Detection (OoDD) methods in order to avoid
erroneous predictions. However it is unclear which OoDD method should be used
in practice. Specific Problem: Systems trained for one particular domain of
images cannot be expected to perform accurately on images of a different
domain. These images should be flagged by an OoDD method prior to diagnosis.
Our approach: This paper defines 3 categories of OoD examples and benchmarks
popular OoDD methods in three domains of medical imaging: chest X-ray, fundus
imaging, and histology slides. Results: Our experiments show that despite
methods yielding good results on some categories of out-of-distribution
samples, they fail to recognize images close to the training distribution.
Conclusion: We find a simple binary classifier on the feature representation
has the best accuracy and AUPRC on average. Users of diagnostic tools which
employ these OoDD methods should still remain vigilant that images very close
to the training distribution yet not in it could yield unexpected results.
- Abstract(参考訳): モチベーション: 医療タスクに使用されるディープラーニングモデルには、誤った予測を避けるために、oodd(out-of-distribution detection)メソッドが備えられている。
しかし、実際にどのOoDDメソッドを使うべきかは定かではない。
特定の問題: ある特定の領域で訓練されたシステムは、異なる領域のイメージに対して正確に実行できない。
これらの画像は診断前にoodd法でフラグを付ける必要がある。
アプローチ: 胸部X線, 底部画像, 組織スライドの3領域において, OoD例の3つのカテゴリを定義し, 一般的なOoDD法をベンチマークした。
結果: 実験では, 分布域外サンプルのカテゴリで良好な結果が得られたが, トレーニング分布に近い画像は認識できなかった。
結論: 特徴表現上の単純なバイナリ分類器は, AUPRC の精度が最良である。
これらのOoDD手法を使用する診断ツールのユーザは、トレーニング分布に非常に近い画像が、予期せぬ結果をもたらすことを警戒する必要がある。
関連論文リスト
- Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Solving Sample-Level Out-of-Distribution Detection on 3D Medical Images [0.06117371161379209]
アウト・オブ・ディストリビューション(OOD)検出はデータサンプルの識別に役立ち、モデルの信頼性を高める。
近年,2次元医用画像に有望な結果をもたらすDLベースのOOD検出技術が開発されている。
しかし、これらのアプローチのほとんどを3D画像に拡張することは、計算的に難解である。
本稿では,DLを必要としないヒストグラムに基づく手法を提案する。
論文 参考訳(メタデータ) (2022-12-13T11:42:23Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs
For Medical Image Classification [5.6512908295414]
本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。
分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。
実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
論文 参考訳(メタデータ) (2022-06-27T09:02:16Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Self-supervised Pseudo Multi-class Pre-training for Unsupervised Anomaly
Detection and Segmentation in Medical Images [31.676609117780114]
教師なし異常検出(UAD)法は、正常な(または健康な)画像のみを用いて訓練されるが、テスト中は正常な(または正常な)画像と異常な画像を分類することができる。
コントラスト学習(PMSACL)によるPseudo Multi-class Strong Augmentation(Pseudo Multi-class Strong Augmentation)という,MIA UADアプリケーションのための自己指導型事前学習手法を提案する。
論文 参考訳(メタデータ) (2021-09-03T04:25:57Z) - Implicit field learning for unsupervised anomaly detection in medical
images [0.8122270502556374]
オートデコーダフィードフォワードニューラルネットワークは、組織型のプロキシ上の空間座標と確率の間のマッピングという形で、健康な画像の分布を学習する。
回復画像のモデルにより予測されたボクセル的確率を用いて,異常の局所化を行う。
脳MR画像におけるグリオーマの非教師的局在化の課題に対して,本手法を検証し,他のVAEによる異常検出法と比較した。
論文 参考訳(メタデータ) (2021-06-09T16:57:22Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Generalized ODIN: Detecting Out-of-distribution Image without Learning
from Out-of-distribution Data [87.61504710345528]
我々は,OoD検出性能を改善しつつ,ニューラルネットワークをOoDデータのチューニングから解放する2つの方法を提案する。
具体的には、信頼性スコアリングと修正された入力前処理法を分離することを提案する。
大規模画像データセットのさらなる解析により、セマンティックシフトと非セマンティックシフトの2種類の分布シフトが有意な差を示すことが示された。
論文 参考訳(メタデータ) (2020-02-26T04:18:25Z) - Unsupervised Anomaly Detection for X-Ray Images [4.353258086186526]
本研究では,手指X線画像の評価において,異常のない画像で訓練された教師なしの方法を用いて,医師を支援する方法について検討する。
我々は、教師なし学習に最先端のアプローチを採用し、異常を検出し、これらの手法の出力がどのように説明できるかを示す。
実世界のX線画像のデータセット上で,ラベルがなくても満足な結果が得られることを実証的に示す。
論文 参考訳(メタデータ) (2020-01-29T15:14:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。