論文の概要: Influence of Classification Task and Distribution Shift Type on OOD Detection in Fetal Ultrasound

• arxiv url: http://arxiv.org/abs/2509.18326v1
• Date: Mon, 22 Sep 2025 18:49:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.531136
• Title: Influence of Classification Task and Distribution Shift Type on OOD Detection in Fetal Ultrasound
• Title（参考訳）: 胎児超音波のOOD検出における分類タスクと分布シフトタイプの影響
• Authors: Chun Kit Wong, Anders N. Christensen, Cosmin I. Bercea, Julia A. Schnabel, Martin G. Tolsgaard, Aasa Feragen,
• Abstract要約: OOD検出は分類モデルの不確実性を推定することに依存しており、OODサンプルの増加が期待できる。 我々は,OOD検出性能がタスクによって大きく異なり,最適なタスクは定義したID-OOD基準に依存することを示した。 医用画像解析におけるタスク選択と不確実性戦略を下流の特定の応用と整合させることの必要性を強調し、優れたOOD検出が最適不確実性予測を保証していないことを明らかにした。
• 参考スコア（独自算出の注目度）: 6.857027660550724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable out-of-distribution (OOD) detection is important for safe deployment of deep learning models in fetal ultrasound amidst heterogeneous image characteristics and clinical settings. OOD detection relies on estimating a classification model's uncertainty, which should increase for OOD samples. While existing research has largely focused on uncertainty quantification methods, this work investigates the impact of the classification task itself. Through experiments with eight uncertainty quantification methods across four classification tasks, we demonstrate that OOD detection performance significantly varies with the task, and that the best task depends on the defined ID-OOD criteria; specifically, whether the OOD sample is due to: i) an image characteristic shift or ii) an anatomical feature shift. Furthermore, we reveal that superior OOD detection does not guarantee optimal abstained prediction, underscoring the necessity to align task selection and uncertainty strategies with the specific downstream application in medical image analysis.
• Abstract（参考訳）: 不均一な画像特性と臨床環境の中での胎児超音波における深層学習モデルの安全な展開には、信頼性の高いアウト・オブ・ディストリビューション(OOD)検出が重要である。 OOD検出は分類モデルの不確実性を推定することに依存しており、OODサンプルは増加するだろう。 既存の研究は、不確実な定量化手法に主に焦点を当ててきたが、本研究は分類タスク自体の影響を調査している。 4つの分類タスクにわたる8つの不確実性定量化手法による実験を通して、OOD検出性能はタスクによって大きく異なり、最適なタスクは定義されたID-OOD基準に依存し、具体的にはOODサンプルが原因であるかどうかを示す。 一 イメージ特性のシフト又は 二 解剖学的特徴変化 さらに、医用画像解析におけるタスク選択と不確実性戦略を特定の下流の応用と整合させることの必要性を強調し、優れたOOD検出が最適な棄権予測を保証しないことを明らかにした。

関連論文リスト

• NERO: Explainable Out-of-Distribution Detection with Neuron-level Relevance [13.36825494924134]
  機能層におけるニューロンレベルの関連性を利用した新しいOODスコアリング機構NEROを提案する。 具体的には、各分布内(ID)クラスに対するニューロンレベルの関連性をクラスタリングし、代表的なセントロイドを形成する。 バイアス項にスケールした関連性を取り入れ、特徴ノルムを組み合わせることで性能を向上する。
  論文  参考訳（メタデータ） (2025-06-18T12:22:17Z)
• Semantic or Covariate? A Study on the Intractable Case of Out-of-Distribution Detection [70.57120710151105]
  ID分布のセマンティック空間をより正確に定義する。 また,OOD と ID の区別性を保証する "Tractable OOD" の設定も定義する。
  論文  参考訳（メタデータ） (2024-11-18T03:09:39Z)
• Self-Calibrated Tuning of Vision-Language Models for Out-of-Distribution Detection [24.557227100200215]
  オープンソースアプリケーションに信頼性の高い機械学習モデルをデプロイするには、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。 近年のCLIPによるOOD検出の進歩は,IDデータから抽出したOOD特徴に即時調整を施すことによって有望な結果を示した。 提案手法は,SCT(Self-Calibrated Tuning)と呼ばれる新しいフレームワークで,与えられた数ショットのIDデータのみを用いて効果的なOOD検出を行う。
  論文  参考訳（メタデータ） (2024-11-05T02:29:16Z)
• TTA-OOD: Test-time Augmentation for Improving Out-of-Distribution Detection in Gastrointestinal Vision [6.290783164114315]
  テスト時間拡張セグメントをOOD検出パイプラインに導入する。 この拡張は画素空間をシフトさせ、OOD例のより明確な意味表現へと変換する。 我々は既存のOODスコアに対して評価を行った。
  論文  参考訳（メタデータ） (2024-07-19T04:50:54Z)
• Rethinking the Evaluation of Out-of-Distribution Detection: A Sorites Paradox [70.57120710151105]
  既存のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、サンプルを新しいラベルでOODデータとして分類する。 いくつかの限界OODサンプルは、実際には分布内(ID)サンプルに密接なセマンティック内容を持ち、OODサンプルをソリテスパラドックス(英語版)と判定する。 この問題に対処するため,Incremental Shift OOD (IS-OOD) というベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-14T09:27:56Z)
• LINe: Out-of-Distribution Detection by Leveraging Important Neurons [15.797257361788812]
  本稿では,分布内データとOODデータ間のモデル出力の差を解析するための新しい側面を紹介する。 本稿では,分布検出のポストホックアウトのための新しい手法であるLINe( Leveraging Important Neurons)を提案する。
  論文  参考訳（メタデータ） (2023-03-24T13:49:05Z)
• 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)
• Confidence-based Out-of-Distribution Detection: A Comparative Study and Analysis [17.398553230843717]
  我々は、信頼度に基づくOOD検出のための様々な最先端手法の能力を評価する。 まず,コンピュータビジョンベンチマークを用いて複数のOOD検出手法を再現・比較する。 次に,胸部X線を用いた疾患分類の課題に対して,その能力を評価する。
  論文  参考訳（メタデータ） (2021-07-06T12:10:09Z)

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。