Distance-based detection of out-of-distribution silent failures for Covid-19 lung lesion segmentation

要約

胸部コンピュータ断層撮影（CT）スキャンにおけるground glass opacityとconsolidationの自動セグメンテーションは、リソースの利用が多い時期に放射線科医の負担を軽減できる可能性がある。しかし、深層学習モデルは、分布外（OOD）データで黙って失敗するため、臨床ルーチンで信頼されていない。我々は、特徴空間のマハラノビス距離を活用し、最先端のセグメンテーションパイプラインにシームレスに統合する軽量のOOD検出方法を提案する。本手法は、臨床的に重要な不確実性の定量化により、事前に学習したモデルを補強することも可能である。我々は、4つの胸部CT分布シフトと2つの磁気共鳴画像アプリケーション（海馬と前立腺のセグメンテーション）において本手法を検証した。その結果、提案手法は、探索された全てのシナリオにおいて、far-OODとnear-OODのサンプルを効果的に検出することを示す。

要約(オリジナル)

Automatic segmentation of ground glass opacities and consolidations in chest computer tomography (CT) scans can potentially ease the burden of radiologists during times of high resource utilisation. However, deep learning models are not trusted in the clinical routine due to failing silently on out-of-distribution (OOD) data. We propose a lightweight OOD detection method that leverages the Mahalanobis distance in the feature space and seamlessly integrates into state-of-the-art segmentation pipelines. The simple approach can even augment pre-trained models with clinically relevant uncertainty quantification. We validate our method across four chest CT distribution shifts and two magnetic resonance imaging applications, namely segmentation of the hippocampus and the prostate. Our results show that the proposed method effectively detects far- and near-OOD samples across all explored scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL