論文の概要: A knee cannot have lung disease: out-of-distribution detection with in-distribution voting using the medical example of chest X-ray classification

• arxiv url: http://arxiv.org/abs/2208.01077v2
• Date: Mon, 8 May 2023 08:44:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 00:45:58.185597
• Title: A knee cannot have lung disease: out-of-distribution detection with in-distribution voting using the medical example of chest X-ray classification
• Title（参考訳）: 膝に肺疾患はあり得ない:胸部x線分類の医学的例を用いた分布内投票による分布外検出
• Authors: Alessandro Wollek, Theresa Willem, Michael Ingrisch, Bastian Sabel and Tobias Lasser
• Abstract要約: この研究では、胸部X線分類モデルであるCheXnetを用いて、胸部X線14データセットをトレーニングした。 複数ラベル分類のためのOODデータを検出するために,IDV(In-distriion voting)を提案する。 ID (chest X-ray 14) と OOD データ (IRMA と ImageNet) に基づいてトレーニングした IDV アプローチは,平均で3つのデータセットにわたる 0.999 OOD 検出 AUC を達成した。
• 参考スコア（独自算出の注目度）: 58.720142291102135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To investigate the impact of OOD radiographs on existing chest X-ray classification models and to increase their robustness against OOD data. The study employed the commonly used chest X-ray classification model, CheXnet, trained on the chest X-ray 14 data set, and tested its robustness against OOD data using three public radiography data sets: IRMA, Bone Age, and MURA, and the ImageNet data set. To detect OOD data for multi-label classification, we proposed in-distribution voting (IDV). The OOD detection performance is measured across data sets using the area under the receiver operating characteristic curve (AUC) analysis and compared with Mahalanobis-based OOD detection, MaxLogit, MaxEnergy and self-supervised OOD detection (SS OOD). Without additional OOD detection, the chest X-ray classifier failed to discard any OOD images, with an AUC of 0.5. The proposed IDV approach trained on ID (chest X-ray 14) and OOD data (IRMA and ImageNet) achieved, on average, 0.999 OOD AUC across the three data sets, surpassing all other OOD detection methods. Mahalanobis-based OOD detection achieved an average OOD detection AUC of 0.982. IDV trained solely with a few thousand ImageNet images had an AUC 0.913, which was higher than MaxLogit (0.726), MaxEnergy (0.724), and SS OOD (0.476). The performance of all tested OOD detection methods did not translate well to radiography data sets, except Mahalanobis-based OOD detection and the proposed IDV method. Training solely on ID data led to incorrect classification of OOD images as ID, resulting in increased false positive rates. IDV substantially improved the model's ID classification performance, even when trained with data that will not occur in the intended use case or test set, without additional inference overhead.
• Abstract（参考訳）: OODラジオグラフィーが既存の胸部X線分類モデルに与える影響を調査し、OODデータに対するロバスト性を高める。 胸部X線分類モデルであるCheXnetを用いて胸部X線14データセットをトレーニングし, IRMA, Bone Age, muraの3つの公開ラジオグラフィーデータセットとImageNetデータセットを用いて, OODデータに対するロバスト性を検証した。 複数ラベル分類のためのOODデータを検出するために,IDV(In-distriion voting)を提案する。 OOD検出性能は、受信機動作特性曲線(AUC)解析に基づいてデータセット間で測定され、MahalanobisによるOOD検出、MaxLogit、MaxEnergyおよび自己監督型OOD検出(SS OOD)と比較される。 追加のOOD検出がなければ、胸部X線分類器はOOD画像を捨てることができず、AUCは0.5であった。 ID (chest X-ray 14) と OOD データ (IRMA と ImageNet) に基づいてトレーニングした IDV アプローチは,3つのデータセットに対して平均0.999 OOD AUC を達成し,OOD 検出手法を全て上回った。 マハラノビスによるOOD検出は平均0.982のOOD検出AUCを達成した。 IDVは数千枚のImageNet画像だけで訓練され、AUC 0.913はMaxLogit (0.726)、MaxEnergy (0.724)、SS OOD (0.476)よりも高い。 OOD検出法は,Mahalanobisを用いたOOD検出法と提案したIDV法を除いて,すべてラジオグラフィーデータセットとよく一致しなかった。 IDデータのみをトレーニングすることで,OOD画像をIDとして誤分類し,偽陽性率を増大させた。 IDVは、意図したユースケースやテストセットで発生しないデータをトレーニングしても、追加の推論オーバーヘッドなしに、モデルのID分類性能を大幅に改善した。

関連論文リスト

• Evaluating Reliability in Medical DNNs: A Critical Analysis of Feature and Confidence-Based OOD Detection [2.9049649065453336]
  OOD検出方法は、信頼層(OOD検出のためにモデルの出力層を使用する)または機能層(出力層を使用しない)に分類することができる。 OODアーティファクトは、トレーニングデータと他の要因との相関関係から、モデルの予測におけるソフトマックスの信頼性を高めることができることを示す。 また、特徴に基づく手法は、通常、正しい予測と誤った予測につながる入力を区別する上で、より悪い性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-08-30T15:02:22Z)
• Out-of-distribution Detection with Implicit Outlier Transformation [72.73711947366377]
  外周露光(OE)は、オフ・オブ・ディストリビューション(OOD)検出において強力である。 我々は,未確認のOOD状況に対してモデルの性能を良くする,新しいOEベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-03-09T04:36:38Z)
• Unsupervised Evaluation of Out-of-distribution Detection: A Data-centric Perspective [55.45202687256175]
  アウト・オブ・ディストリビューション(OOD)検出法は、個々のテストサンプルがイン・ディストリビューション(IND)なのかOODなのかという、試験対象の真実を持っていると仮定する。 本稿では,OOD検出における教師なし評価問題を初めて紹介する。 我々は,OOD検出性能の教師なし指標としてGscoreを計算する3つの方法を提案する。
  論文  参考訳（メタデータ） (2023-02-16T13:34:35Z)
• Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is All You Need [52.88953913542445]
  簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。 我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
  論文  参考訳（メタデータ） (2023-02-06T08:24:41Z)
• PnPOOD : Out-Of-Distribution Detection for Text Classification via Plug andPlay Data Augmentation [25.276900899887192]
  ドメイン外サンプル生成によるOOD検出を行うデータ拡張手法であるOODを提案する。 本手法は, クラス境界に近い高品質な識別サンプルを生成し, 精度の高いOOD検出を行う。 我々は、OOD検出に先立つ試みで使用されるデータセットで重要なデータ漏洩問題を強調し、同じ問題に悩まされないOOD検出のための新しいデータセットで結果を共有する。
  論文  参考訳（メタデータ） (2021-10-31T14:02:26Z)
• CVAD: A generic medical anomaly detector based on Cascade VAE [2.647674705784439]
  我々は、医用画像におけるOOD検出の一般化性に着目し、自己教師付きカスケード変量自動エンコーダに基づく異常検出器(CVAD)を提案する。 我々は,複数のスケールで潜在表現を結合した変分オートエンコーダのカスケードアーキテクチャを用いて,OODデータを分布内(ID)データと区別するために識別器に供給する。 我々は、最先端のディープラーニングモデルと比較し、クラス内およびクラス間OODのための様々なオープンアクセス医療画像データセットにおいて、我々のモデルの有効性を実証する。
  論文  参考訳（メタデータ） (2021-10-29T14:20:43Z)
• Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
  ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。 本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。 このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
  論文  参考訳（メタデータ） (2021-06-08T11:40:49Z)
• ATOM: Robustifying Out-of-distribution Detection Using Outlier Mining [51.19164318924997]
  インフォメーション・アウトリエ・マイニングによるアドリアトレーニングは、OOD検出の堅牢性を向上させる。 ATOMは,古典的,敵対的なOOD評価タスクの幅広いファミリーの下で,最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-06-26T20:58:05Z)

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。