Khái niệm cốt lõi
医療画像の異常検知において、アンサンブル学習者の不確実性を活用することで、正常サンプルに対する一致と異常サンプルに対する不一致のバランスを効果的に取ることができる。
Tóm tắt
本論文は、医療画像の異常検知のためのDiversified Dual-space Uncertainty Estimation (D2UE)フレームワークを提案している。
まず、Redundancy-Aware Repulsion (RAR)を導入し、学習者の特徴空間の多様性を高めることで、異常に対する不一致を増強しつつ、正常サンプルに対する一致を維持する。
次に、Dual-Space Uncertainty (DSU)を開発し、出力空間と入力空間の両方の不確実性を組み合わせることで、出力空間での不一致が小さい場合でも異常領域を強調できるようにする。
実験では5つの医療ベンチマークデータセットで評価を行い、提案手法がState-of-the-Art手法を上回る性能を示すことを確認した。また、各構成要素の有効性についても検証した。
Thống kê
異常検知の精度(AUC)は、RSNAデータセットで84.1%、VinDr-CXRデータセットで76.6%、CXAD データセットで65.2%、Brain MRIデータセットで89.2%、LAGデータセットで82.5%を達成した。
提案手法は、State-of-the-Art手法と比較して、RSNAデータセットで1.3%、VinDr-CXRデータセットで2.1%、CXAD データセットで3.7%、LAGデータセットで2.1%の精度向上を示した。
Trích dẫn
"To effectively balance the diversity among ensemble learners and reconstruction accuracy, we introduced redundancy-aware repulsion, which compels learners to disagree on anomalies without compromising agreement on normal inputs."
"Further, we propose dual-space uncertainty highlighting anomalous regions during inference to enhance the model's discrimination ability."