Dimensionality Reduction for Improving Out-of-Distribution Detection in Medical Image Segmentation

要約

臨床的に導入されたセグメンテーション モデルは、トレーニング分布外のデータでは失敗することが知られています。
これらのモデルはほとんどの場合で良好に機能するため、自動化バイアスから保護するために、推論時に配布外 (OOD) イメージを検出することが不可欠です。
この研究では、T1 強調磁気共鳴イメージングで肝臓をセグメント化する Swin UNETR モデルのボトルネック特徴にマハラノビス距離を事後的に適用します。
主成分分析を使用してボトルネック フィーチャの次元を削減することにより、OOD 画像が高いパフォーマンスと最小限の計算負荷で検出されました。

要約(オリジナル)

Clinically deployed segmentation models are known to fail on data outside of their training distribution. As these models perform well on most cases, it is imperative to detect out-of-distribution (OOD) images at inference to protect against automation bias. This work applies the Mahalanobis distance post hoc to the bottleneck features of a Swin UNETR model that segments the liver on T1-weighted magnetic resonance imaging. By reducing the dimensions of the bottleneck features with principal component analysis, OOD images were detected with high performance and minimal computational load.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google