MedMNIST-C: Comprehensive benchmark and improved classifier robustness by simulating realistic image corruptions

要約

ニューラル ネットワーク ベースのシステムを臨床現場に統合することは、ドメインの一般化と堅牢性に関連する課題によって制限されています。
コンピューター ビジョン コミュニティは、これらの課題に対する進捗状況を測定するための基本的な前提条件として、ImageNet-C などのベンチマークを確立しました。
医用画像コミュニティには同様のデータセットがほとんど存在せず、画像モダリティやアプリケーションにまたがる包括的なベンチマークが不足しています。
このギャップに対処するために、私たちは MedMNIST-C を作成し、オープンソースにしました。これは、12 のデータセットと 9 つの画像モダリティをカバーする MedMNIST+ コレクションに基づくベンチマーク データセットです。
さまざまな重大度のタスクおよびモダリティ固有の画像破損をシミュレートし、現実世界のアーチファクトや分布の変化に対する確立されたアルゴリズムの堅牢性を包括的に評価します。
さらに、使いやすい人工破損により、モデルの堅牢性を高めるための高性能かつ軽量のデータ拡張が可能になるという定量的な証拠も提供します。
従来の汎用的な拡張戦略とは異なり、私たちのアプローチはドメイン知識を活用し、広く採用されている方法と比較して大幅に高い堅牢性を示します。
MedMNIST-C を導入し、対象を絞ったデータ拡張を可能にする対応するライブラリをオープンソース化することで、医療画像の課題に合わせた、ますます堅牢な手法の開発に貢献します。
コードは https://github.com/francescodisalvo05/medmnistc-api}{github.com/francescodisalvo05/medmnistc-api で入手できます。

要約(オリジナル)

The integration of neural-network-based systems into clinical practice is limited by challenges related to domain generalization and robustness. The computer vision community established benchmarks such as ImageNet-C as a fundamental prerequisite to measure progress towards those challenges. Similar datasets are largely absent in the medical imaging community which lacks a comprehensive benchmark that spans across imaging modalities and applications. To address this gap, we create and open-source MedMNIST-C, a benchmark dataset based on the MedMNIST+ collection covering 12 datasets and 9 imaging modalities. We simulate task and modality-specific image corruptions of varying severity to comprehensively evaluate the robustness of established algorithms against real-world artifacts and distribution shifts. We further provide quantitative evidence that our simple-to-use artificial corruptions allow for highly performant, lightweight data augmentation to enhance model robustness. Unlike traditional, generic augmentation strategies, our approach leverages domain knowledge, exhibiting significantly higher robustness when compared to widely adopted methods. By introducing MedMNIST-C and open-sourcing the corresponding library allowing for targeted data augmentations, we contribute to the development of increasingly robust methods tailored to the challenges of medical imaging. The code is available at https://github.com/francescodisalvo05/medmnistc-api}{github.com/francescodisalvo05/medmnistc-api .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google