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

本文提出了一种基于弱监督学习的Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

Jun, 2023

提出平衡能量正则化损失函数的方法，利用类别不同的先验概率来处理OOD数据的类别分布不平衡，该方法在面向任务的OOD检测、长尾图像分类和图像分类中表现更好，并在业内两项任务中实现了最先进的性能

Jun, 2023

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Expected Performance Drop (EPD)作为新问题设计的核心贡献，我们重新定义了医学图像分割中的异常检测问题，该方法在11个CT和MRI OOD检测挑战中展示了其有效性。

Aug, 2023

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

通过使用三种不同的方法：softmax、能量分数和深度集成，并在三个不同的数据集上进行测试，本研究通过点对点超声图像对乳腺癌进行分类，并发现能量分数方法在两个数据集上优于softmax方法，而深度集成方法是最稳健的，在所有三个数据集上最适合检测OOD样本。

Feb, 2024

本研究解决了乳腺超声视频中的肿瘤分类问题，采用了三元组网络和自监督对比学习技术，从未标记的超声视频片段中学习特征表示。实验结果表明，模型在接收操作特征曲线（AUC）上达到了0.952，显著优于其他模型，大幅降低了对标记数据的需求，具有应用于自动乳腺超声图像诊断的潜力。

Aug, 2024

本研究旨在解决医疗和手术影像分割中存在的两个主要问题：获取完整的像素级分割标签过程繁琐且需要领域专业知识，以及现有分割管道无法检测分布外（OOD）像素。我们提出了一种新颖的分割方法，通过利用OOD检测，仅从稀疏注释的多类别正例中学习，显著提高了分割的鲁棒性和泛化能力。

Nov, 2024

本文针对医学和外科成像中的深度神经网络分割面临的挑战，提出了一种利用异构检测的新型分割方法，该方法仅使用稀疏注释的多类正标签进行学习，解决了获取完整像素级标注的时间成本及缺乏对异构像素检测的问题。研究结果表明，该框架在多类超光谱和RGB外科成像数据集上的实验展示了其鲁棒性和广泛的推广能力。

Nov, 2024