Diese Studie präsentiert einen umfassenden Benchmark zur Evaluierung verschiedener Methoden der Anomalieerkennung in medizinischen Bildern. Es werden sieben Datensätze mit fünf verschiedenen Bildmodalitäten (Röntgenaufnahmen der Brust, Hirn-MRT, Retinafundusbilder, dermatoskopische Bilder und histopathologische Ganzsichtbilder) verwendet, um 27 typische Anomalieerkennungsmethoden zu vergleichen.
Die Ergebnisse zeigen, dass Rekonstruktionsmethoden bei der bildbasierten Anomalieerkennung leistungsfähiger sind als selbstüberwachte Lernmethoden, insbesondere wenn es um die Erkennung lokaler Anomalien geht. Darüber hinaus zeigt die Studie, dass eine geeignete Einschränkung des Latenzraums der Rekonstruktionsmodelle deren Leistung deutlich verbessern kann.
Für Datensätze mit lokalen Anomalien (z.B. Bruströntgenaufnahmen, Hirn-MRT, Retinafundusbilder) führt eine Verkleinerung der Latenzraumgröße von 128 auf 4-32 zu einer Verbesserung der Bewertungsmetriken um bis zu 12,7% AUC und 12,2% AP.
Darüber hinaus zeigt die Studie, dass eine hohe Komplexität der Rekonstruktionsmodelle (große Auflösung, tiefe und breite Netzwerke) nicht zu einer Leistungssteigerung führt. Dies deutet darauf hin, dass einfachere Rekonstruktionsmodelle für die Anomalieerkennung in medizinischen Bildern ausreichend sind.
Insgesamt liefert diese Studie wichtige Erkenntnisse für die Entwicklung leistungsfähiger Anomalieerkennungssysteme im medizinischen Bereich.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Yu Cai,Weiwe... at arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.04518.pdfDeeper Inquiries