Solving Sample-Level Out-of-Distribution Detection on 3D Medical Images

要約

深層学習 (DL) モデルは、データがトレーニングとは異なる分布から取得された場合、パフォーマンスが低下する傾向があります。
医用画像処理などの重要なアプリケーションでは、分布外 (OOD) 検出がそのようなデータ サンプルの識別に役立ち、モデルの信頼性が向上します。
最近の研究では、2D 医用画像で有望な結果を達成する DL ベースの OOD 検出が開発されました。
ただし、これらのアプローチのほとんどを 3D 画像にスケーリングすることは、計算上困難です。
さらに、現在の 3D ソリューションは、合成 OOD サンプルの検出においても許容できる結果を達成するのに苦労しています。
このような限られたパフォーマンスは、DL が大容量の画像を非効率的に埋め込むことが多いことを示している可能性があります。
元の CT または MRI スキャンの強度ヒストグラムを埋め込みとして使用することは、OOD 検出を実行するのに十分説明的であると主張します。
したがって、DLを必要とせず、このドメインでほぼ完璧な結果を達成するヒストグラムベースの方法を提案します。
私たちの提案は 2 つの点で支持されています。
公開されているデータセットでパフォーマンスを評価します。ほとんどのセットアップで、メソッドのスコアは 1.0 AUROC です。
また、タスク固有の知識を微調整したり活用したりすることなく、Medical Out-of-Distribution チャレンジで 2 番目のスコアを獲得しました。
制限事項を慎重に検討した結果、現在の設定では、3D 医用画像のサンプル レベルの OOD 検出をこの方法で解決できると結論付けました。

要約(オリジナル)

Deep Learning (DL) models tend to perform poorly when the data comes from a distribution different from the training one. In critical applications such as medical imaging, out-of-distribution (OOD) detection helps to identify such data samples, increasing the model’s reliability. Recent works have developed DL-based OOD detection that achieves promising results on 2D medical images. However, scaling most of these approaches on 3D images is computationally intractable. Furthermore, the current 3D solutions struggle to achieve acceptable results in detecting even synthetic OOD samples. Such limited performance might indicate that DL often inefficiently embeds large volumetric images. We argue that using the intensity histogram of the original CT or MRI scan as embedding is descriptive enough to run OOD detection. Therefore, we propose a histogram-based method that requires no DL and achieves almost perfect results in this domain. Our proposal is supported two-fold. We evaluate the performance on the publicly available datasets, where our method scores 1.0 AUROC in most setups. And we score second in the Medical Out-of-Distribution challenge without fine-tuning and exploiting task-specific knowledge. Carefully discussing the limitations, we conclude that our method solves the sample-level OOD detection on 3D medical images in the current setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google