論文の概要: Unsupervised Out-of-Distribution Detection in Medical Imaging Using Multi-Exit Class Activation Maps and Feature Masking
- arxiv url: http://arxiv.org/abs/2505.08604v1
- Date: Tue, 13 May 2025 14:18:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-14 20:57:54.606827
- Title: Unsupervised Out-of-Distribution Detection in Medical Imaging Using Multi-Exit Class Activation Maps and Feature Masking
- Title（参考訳）: マルチExit Class Activation Mapsと特徴マスキングを用いた医用画像における教師なしアウト・オブ・ディストリビューション検出
- Authors: Yu-Jen Chen, Xueyang Li, Yiyu Shi, Tsung-Yi Ho,
- Abstract要約: 医用画像における深層学習モデルの信頼性確保には,アウト・オブ・ディストリビューション(OOD)検出が不可欠である。
この研究は、クラスアクティベーションマップ(CAM)が、通常、モデルの予測に非常に関係のある領域を強調しているという観察に動機づけられている。
マルチエクイットCAMと特徴マスキングを活用した,新しい教師なしOOD検出フレームワークであるMulti-Exit Class Activation Map (MECAM)を導入する。
- 参考スコア（独自算出の注目度）: 15.899277292315995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Out-of-distribution (OOD) detection is essential for ensuring the reliability of deep learning models in medical imaging applications. This work is motivated by the observation that class activation maps (CAMs) for in-distribution (ID) data typically emphasize regions that are highly relevant to the model's predictions, whereas OOD data often lacks such focused activations. By masking input images with inverted CAMs, the feature representations of ID data undergo more substantial changes compared to those of OOD data, offering a robust criterion for differentiation. In this paper, we introduce a novel unsupervised OOD detection framework, Multi-Exit Class Activation Map (MECAM), which leverages multi-exit CAMs and feature masking. By utilizing mult-exit networks that combine CAMs from varying resolutions and depths, our method captures both global and local feature representations, thereby enhancing the robustness of OOD detection. We evaluate MECAM on multiple ID datasets, including ISIC19 and PathMNIST, and test its performance against three medical OOD datasets, RSNA Pneumonia, COVID-19, and HeadCT, and one natural image OOD dataset, iSUN. Comprehensive comparisons with state-of-the-art OOD detection methods validate the effectiveness of our approach. Our findings emphasize the potential of multi-exit networks and feature masking for advancing unsupervised OOD detection in medical imaging, paving the way for more reliable and interpretable models in clinical practice.
- Abstract（参考訳）: 医用画像における深層学習モデルの信頼性確保には,アウト・オブ・ディストリビューション(OOD)検出が不可欠である。
この研究は、内部分布(ID)データに対するクラスアクティベーションマップ(CAM)が、一般的にモデルの予測に非常に関係のある領域を強調しているのに対し、OODデータはそのような集中したアクティベーションを欠いているという観察に動機づけられている。
入力画像を逆CAMでマスキングすることにより、IDデータの特徴表現はOODデータよりも大幅に変化し、差別化のための堅牢な基準を提供する。
本稿では,マルチエクイットCAMと機能マスキングを活用した,新しい教師なしOOD検出フレームワークであるMulti-Exit Class Activation Map(MECAM)を紹介する。
様々な解像度と深度からCAMを結合したMult-Exitネットワークを利用することで,グローバルな特徴表現とローカルな特徴表現の両方をキャプチャし,OOD検出の堅牢性を高める。
我々は、ISIC19やPathMNISTを含む複数のIDデータセット上でMECAMを評価し、3つの医療用OODデータセット(RSNA肺炎、COVID-19、HeadCT)と1つの自然画像OODデータセット(iSUN)と比較した。
最新のOOD検出手法と総合的な比較により,本手法の有効性が検証された。
本研究は, 医用画像診断におけるマルチエグジットネットワークと機能マスキングの可能性を強調し, 臨床実習における信頼性と解釈性の向上をめざした。
関連論文リスト
- Delving into Out-of-Distribution Detection with Medical Vision-Language Models [14.286027727962104]
医用視覚言語モデルのOOD検出能に関する最初の系統的研究を行った。
実世界の課題を正確に反映するために,フルスペクトルOOD検出のためのクロスモーダル評価ベンチマークパイプラインを導入する。
OOD検出性能を大幅に向上させる新しい階層的プロンプトベース手法を提案する。
論文 参考訳（メタデータ） (2025-03-02T21:09:51Z) - Advancing Out-of-Distribution Detection via Local Neuroplasticity [60.53625435889467]
本稿では,コルモゴロフ・アルノルドネットワーク(KAN)の局所神経可塑性特性を利用した新しいOOD検出法を提案する。
本手法は,トレーニング対象のカンの活性化パターンとトレーニング対象のOOD検出パターンを比較した。
画像および医用領域のベンチマークに対するアプローチを検証し、最先端技術と比較して優れた性能と堅牢性を示す。
論文 参考訳（メタデータ） (2025-02-20T11:13:41Z) - MultiOOD: Scaling Out-of-Distribution Detection for Multiple Modalities [11.884004583641325]
我々は,多種多様なデータセットサイズと様々なモダリティの組み合わせを特徴とする,第一種ベンチマークであるMultiOODを紹介する。
我々はまず,既存のOOD検出アルゴリズムをMultiOOD上で評価した。
本稿では,近隣クラスからの情報を活用することで,より広い特徴空間を探索する新しいアウトリー合成手法NP-Mixを提案する。
論文 参考訳（メタデータ） (2024-05-27T17:59:02Z) - Exploring Large Language Models for Multi-Modal Out-of-Distribution
Detection [67.68030805755679]
大きな言語モデル(LLM)は豊富な世界の知識をエンコードし、クラスごとに記述的な特徴を生成するよう促すことができる。
本稿では,LLMの選択的生成によるOOD検出性能向上のための世界知識の適用を提案する。
論文 参考訳（メタデータ） (2023-10-12T04:14:28Z) - Class Relevance Learning For Out-of-distribution Detection [16.029229052068]
本稿では,OOD検出に適したクラス関連学習手法を提案する。
本手法は,OODパイプライン内のクラス間関係を戦略的に活用し,総合的なクラス関連学習フレームワークを確立する。
論文 参考訳（メタデータ） (2023-09-21T08:38:21Z) - From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。
近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。
グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
論文 参考訳（メタデータ） (2023-08-20T11:56:25Z) - General-Purpose Multi-Modal OOD Detection Framework [5.287829685181842]
アウト・オブ・ディストリビューション(OOD)検出は、機械学習(ML)システムの安全性と信頼性を保証するために重要なトレーニングデータとは異なるテストサンプルを特定する。
本稿では,2値分類器とコントラスト学習コンポーネントを組み合わせた,汎用的な弱教師付きOOD検出フレームワークWOODを提案する。
提案したWOODモデルを複数の実世界のデータセット上で評価し、実験結果により、WOODモデルがマルチモーダルOOD検出の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-07-24T18:50:49Z) - Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection
Capability [70.72426887518517]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。
本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。
本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
論文 参考訳（メタデータ） (2023-06-06T14:23:34Z) - 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) - 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)
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。