CVPRApr, 2023

挑战在查询中：推进 Mask Transformer 在实际医学影像分割和分布外定位中的应用

PDF
TL;DR本文提出了一种基于 Mask Transformers 的 medical image segmentation 方法，利用对象查询将语义分割表述为软集群分配，从而实现对 ODD 区域的定位。与其他 state-of-the-art 算法相比，在胰腺和肝脏肿瘤的真实世界分割任务中，该框架平均提高了 7.39％的 AUROC，14.69％的 AUPR 和 13.79％的 FPR95 用于 OOD 定位，并且平均提高了 5.27％的 DSC 用于 inlier segmentation。
medical image segmentationout-of-distribution detectionobject queriessemantic segmentationmaxquery
发现论文，激发创造
  • 医疗领域的离群样本检测基准测试

    本文定义三类 Out-of-Distribution Detection 的示例，并在医学图像的三个领域中对常见的方法进行基准测试。结果表明，尽管这些方法对某些类别的 OOB 样本产生良好结果，但它们未能识别接近训练数据分布的图像，作者发现简单的二元分类器在特征表示上具有最佳的平均精度和 AUPRC。

    Jul, 2020

  • 语义分割中的超范围物体检测与检索

    本文通过在不同的数据集上使用深度学习的方法，实现了以城市街道场景为基础的图像识别模型对于不同场景下的物体进行准确分类和目标检测，并且通过对于特征向量的提取和降维，成功实现了基于图像碎片的图像检索和分割。

    May, 2020

  • 医疗表格数据中的超出分布检测基准

    机器学习模型在现实世界的医疗系统中可靠地运用和避免在分布之外的数据上产生不准确的预测是非常重要的。该研究提出了一个全面的可复现基准测试，比较了不同方法在接近和远离分布之外的数据上的表现，特别关注医疗表格数据的处理。研究发现对于远离分布之外的数据，问题似乎已经解决，但对于接近分布之外的数据仍然存在挑战。此外，将后处理方法与基于距离的机制结合可以显著改善性能，而 Transformer 架构相对于 MLP 和 ResNet 架构来说更加保守。

    Sep, 2023

  • MIM-OOD: 针对医学图像中的离群检测的生成式遮罩图像建模

    使用两个与任务相关的 Transformer，通过应用 MIM 模型来替代 AR 模型，实现对脑部 MRI 异常的快速检测和修复，明显优于 AR 模型，并获得近 25 倍的加速。

    Jul, 2023

  • 通过学习本地对抗攻击进行语义分割中的异常检测

    本文提出了一种名为 ObsNet 的 OOD 检测体系结构，通过基于局部对抗攻击（LAA）的专用训练方案，实现了在速度和精度方面得到表现的最佳方法，解决了当前方法在实际应用中速度和精度快慢两难的问题。

    Aug, 2021

  • 语义分割中的 OOD 检测的熵最大化和元分类

    本研究提出了一种改进基于像素 softmax 熵的方法的两步流程，通过引入第二个训练目标，最大化对不同数据集的 softmax 熵，并利用手工创造的 Metric 从 softmax 概率得出透明的后处理步骤来降低误检率，从而提高深度神经网络的 OoD 检测性能。

    Dec, 2020

  • 长尾细粒度皮肤病变图像的 外分布检测

    本文提出了一种更有效的方法以提高对样本外（未知皮肤病变和条件）样本的检测性能，同时维持所知皮肤病变种类的多类分类准确性，并针对长尾和细粒度的 OOD 检测任务构建了一个适当的模型。

    Jun, 2022

  • 医学图像分割中维度降低以改善超出分布检测

    通过使用马氏距离后处理肝脏磁共振成像的 Swin UNETR 模型的瓶颈特征，通过主成分分析降低瓶颈特征的维度，高效且计算负载最小地检测到了分布外的图像。

    Aug, 2023

  • 提高医学图像的异常检测能力的更困难的合成异常

    我们的研究基于之前的医学领域离群分布挑战（MOOD）的获奖者的工作，其经验性地表明通过复制和插值外来补丁生成合成局部异常有助于训练分割网络，从而能够推广到未见过的异常类型。我们的贡献在合成异常生成过程中，通过使用随机形状而不是方形，并平滑异常的插值边缘，使合成异常更加多样化和具有挑战性，使网络无法仅仅依赖图像 - 外来补丁之间的高梯度来识别异常。我们的实验证明，这两项贡献显著改进了该方法的性能。我们使用标准的 3D U-Net 架构作为分割网络，在脑部和腹部数据集上以补丁方式进行训练。我们最终的挑战提交包括 10 个在不同异常生成过程配置下训练的 U-Net，通过 5 个数据折叠进行训练。我们的方法在 MICCAI 举办的 2022 年医学离群分布挑战的样本级和像素级任务中取得了第一名。

    Aug, 2023

  • 用于前列腺癌症病变检测的超出分布的多视图自编码器

    基于多个 T2w 方向的多流方法在医学影像数据中的无监督的离群分布检测应用于前列腺癌症状检测，并取得了比单一方向方法更好的检测效果（AUC：73.1 对比 82.3），表明了 MRI 在前列腺癌症状检测中无监督的离群分布检测的潜力。

    Aug, 2023