Unsupervised out-of-distribution detection for safer robotically-guided retinal microsurgery

要約

タイトル：安全なロボット支援網膜手術のための教師なし外部分布検出

要約：

この研究は、機械学習システム設計において、展開されたモデルに提示されるサンプルがトレーニング時に観察されたものと異なる場合の特定が安全性の観点から非常に重要だという問題に焦点を当てる。機械学習を利用した距離推定によって優れた解像度の光学断層振幅計 (iiOCT) プローブによって取得される1D画像のシーケンスで、手段と網膜の間の距離が導出されるロボット支援網膜手術のような重要な安全関連アプリケーションでは、外部分布 (OoD) サンプルを検出することが必要である。

具体的には、この研究では、教師なしの OoD 検出器を使用して、iiOCT プローブからの画像が機械学習ベースの距離推定に適さない場合を特定することの可能性について調査する。マハラノビス距離に基づくシンプルな OoD 検出器がリアルワールドの ex-vivo 豚の目からの破損サンプルを成功裏に拒否することを示している。

結果的に、提案された手法が OoD サンプルの検出に成功し、下流タスクのパフォーマンスを合理的な水準で維持するのに役立つことを示した。また、MahaAD は、同じ種類の破損をトレーニングした教師ありアプローチを上回り、リアルワールドの破損を含むiiOCTサンプルの OoD ケースを最もうまく検出した。

この結果は、MahaADなどの OoD 検出によって iiOCT データの破損を検出し、患者の安全性を保証するために、展開された予測モデルが患者をリスクにさらす距離を推定しないように助けることができることを示している。

要約(オリジナル)

Purpose: A fundamental problem in designing safe machine learning systems is identifying when samples presented to a deployed model differ from those observed at training time. Detecting so-called out-of-distribution (OoD) samples is crucial in safety-critical applications such as robotically-guided retinal microsurgery, where distances between the instrument and the retina are derived from sequences of 1D images that are acquired by an instrument-integrated optical coherence tomography (iiOCT) probe. Methods: This work investigates the feasibility of using an OoD detector to identify when images from the iiOCT probe are inappropriate for subsequent machine learning-based distance estimation. We show how a simple OoD detector based on the Mahalanobis distance can successfully reject corrupted samples coming from real-world ex-vivo porcine eyes. Results: Our results demonstrate that the proposed approach can successfully detect OoD samples and help maintain the performance of the downstream task within reasonable levels. MahaAD outperformed a supervised approach trained on the same kind of corruptions and achieved the best performance in detecting OoD cases from a collection of iiOCT samples with real-world corruptions. Conclusion: The results indicate that detecting corrupted iiOCT data through OoD detection is feasible and does not need prior knowledge of possible corruptions. Consequently, MahaAD could aid in ensuring patient safety during robotically-guided microsurgery by preventing deployed prediction models from estimating distances that put the patient at risk.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI