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

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

深度学习在计算机辅助诊断中得到了应用，但在实际临床场景中可能遇到分布偏移导致的静默失败问题，而最近的研究则探索了各种解决方案，包括分类和评估协议，以及缺乏探索的研究方向。

Apr, 2024

通过对比研究和深度分析来评估各种最先进的方法对基于置信度的 OOD 检测的能力，并采用计算机视觉基准来复现和比较多种 OOD 检测方法。评估了它们在使用胸部 X 线进行疾病分类这一具有挑战性任务中的能力，结果表明在计算机视觉任务中高性能不直接转化为医学成像任务中的准确性，因此为开发下一代 OOD 检测方法提供了有用的见解。

Jul, 2021

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

本文提出了一种针对视觉分类中的开放世界场景中的数据分割问题的新方法，该方法能够训练出一个专门针对原始训练集以及更大的 “背景” 数据集的 ODD（出现在分布之外的异常值）检测模型，并在测试复杂自然图像的数据集中得到了优异的表现。

Aug, 2018

在胎儿超声视频中，通过引入双条件扩散模型（DCDM），我们将模型限制在生成与 ID 集内结构和语义类似的图像上，以检测 OOD 样本，其具有高结构相似性和大内部分布方差。该模型在准确性上比参考方法提高了 12％，在精确度上提高了 22％，F1 得分提高了 8％。

Nov, 2023

本研究采用多任务学习的方法解决了小型医学图像数据集训练卷积神经网络模型的挑战性问题，并通过对多个数据集进行训练，以识别不同情境下的感兴趣器官并提高模型输出的准确性和可靠性。同时，基于卷积神经网络特征图的频谱分析方法在检测测试图像的 “出域” 数据方面，表现出明显优势。

Apr, 2020

本文提出了一种基于 GAN 的框架，其中 (i) 模型自适应损失函数以提高模型对 OOD - 噪声数据的鲁棒性，(ii) 对预测的每个体素的不确定性进行了估计，在医学成像领域表现出优异的性能。

Oct, 2021

本研究利用 3117 个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像，通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力，进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现，更广泛的训练图像可以提高模型的泛化能力，并且未来的深度学习研究需要在多个外部队列上进行评估，以得到可靠的结果。

Nov, 2019