Certification of Deep Learning Models for Medical Image Segmentation

要約

医用画像処理では、セグメンテーション モデルが過去 10 年間で大幅に改善されたことが知られており、現在では臨床現場で毎日使用されています。
ただし、分類モデルと同様に、セグメンテーション モデルも敵対的攻撃の影響を受けます。
医療のような安全性が重要な分野では、モデルの予測を認証することが最も重要です。
ランダム化平滑化は最近導入され、モデルを認証し、理論的な保証を得るフレームワークを提供します。
この論文では、ランダム化された平滑化モデルと拡散モデルに基づいた医療画像用の認定済みセグメンテーション ベースラインを初めて紹介します。
私たちの結果は、ノイズ除去拡散確率モデルの力を活用することで、ランダム化された平滑化の限界を克服できることを示しています。
私たちは、胸部 X 線写真、皮膚病変、および結腸内視鏡検査の 5 つの公開データセットに対して広範な実験を実施し、高度に摂動された画像であっても高い認定 Dice スコアを維持できることを経験的に示しています。
私たちの取り組みは、医療画像セグメンテーション モデルを認証する最初の試みであり、この重要かつほとんど知られていない領域における将来のベンチマークの基礎となることを目指しています。

要約(オリジナル)

In medical imaging, segmentation models have known a significant improvement in the past decade and are now used daily in clinical practice. However, similar to classification models, segmentation models are affected by adversarial attacks. In a safety-critical field like healthcare, certifying model predictions is of the utmost importance. Randomized smoothing has been introduced lately and provides a framework to certify models and obtain theoretical guarantees. In this paper, we present for the first time a certified segmentation baseline for medical imaging based on randomized smoothing and diffusion models. Our results show that leveraging the power of denoising diffusion probabilistic models helps us overcome the limits of randomized smoothing. We conduct extensive experiments on five public datasets of chest X-rays, skin lesions, and colonoscopies, and empirically show that we are able to maintain high certified Dice scores even for highly perturbed images. Our work represents the first attempt to certify medical image segmentation models, and we aspire for it to set a foundation for future benchmarks in this crucial and largely uncharted area.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google