Unsupervised Out-of-Distribution Detection in Medical Imaging Using Multi-Exit Class Activation Maps and Feature Masking

要約

分散除外（OOD）検出は、医療イメージングアプリケーションでの深い学習モデルの信頼性を確保するために不可欠です。
この作業は、分配中（分布内（ID）データのクラスアクティベーションマップ（CAM）が通常、モデルの予測に非常に関連する領域を強調するという観察によって動機付けられていますが、OODデータにはそのような集中的な活性化がしばしば欠けています。
倒立カムで入力画像をマスキングすることにより、IDデータの特徴表現は、OODデータの機能と比較してより大きな変更を受け、区別の堅牢な基準を提供します。
このホワイトペーパーでは、マルチエキシットカムを活用してマスキングを機能させる、監視されていないOOD検出フレームワーク、マルチエキシットクラスアクティベーションマップ（MECAM）を紹介します。
さまざまな解像度と深さからカムを組み合わせたマルチエキシットネットワークを利用することにより、この方法はグローバルな特徴表現とローカルの両方の機能表現をキャプチャし、それによってOOD検出の堅牢性を高めます。
ISIC19やPathMnistを含む複数のIDデータセットでMECAMを評価し、3つの医療OODデータセット、RSNA肺炎、COVID-19、およびHeadCT、および1つの自然な画像OODデータセット（iSun）に対してパフォーマンスをテストします。
最先端のOOD検出方法との包括的な比較は、アプローチの有効性を検証します。
私たちの調査結果は、医療イメージングで監視されていないOOD検出を進めるためのマルチエキシットネットワークと機能マスキングの可能性を強調し、臨床診療におけるより信頼性の高い解釈可能なモデルへの道を開いています。

要約(オリジナル)

Out-of-distribution (OOD) detection is essential for ensuring the reliability of deep learning models in medical imaging applications. This work is motivated by the observation that class activation maps (CAMs) for in-distribution (ID) data typically emphasize regions that are highly relevant to the model’s predictions, whereas OOD data often lacks such focused activations. By masking input images with inverted CAMs, the feature representations of ID data undergo more substantial changes compared to those of OOD data, offering a robust criterion for differentiation. In this paper, we introduce a novel unsupervised OOD detection framework, Multi-Exit Class Activation Map (MECAM), which leverages multi-exit CAMs and feature masking. By utilizing mult-exit networks that combine CAMs from varying resolutions and depths, our method captures both global and local feature representations, thereby enhancing the robustness of OOD detection. We evaluate MECAM on multiple ID datasets, including ISIC19 and PathMNIST, and test its performance against three medical OOD datasets, RSNA Pneumonia, COVID-19, and HeadCT, and one natural image OOD dataset, iSUN. Comprehensive comparisons with state-of-the-art OOD detection methods validate the effectiveness of our approach. Our findings emphasize the potential of multi-exit networks and feature masking for advancing unsupervised OOD detection in medical imaging, paving the way for more reliable and interpretable models in clinical practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google