Out of distribution detection for medical images
Notice bibliographique
Résumé
Most previous surveys were conducted under ideal conditions, and the data was mostly in contribution. In reality, however, the condition of out-of-distribution dataset is more common and cannot be avoided. For example, in a dataset, the label only contains cats and dogs, but a new horse image appears in the data image. A model that does not take the OOD problem into account will only be able to classify it under a known label, even if this results in incorrect results; however, the OOD model should alert the researcher to the emergence of a new label class. As a result, this type of partial setting is gaining popularity. Furthermore, the problem of out-of-distribution is exacerbated in the medical environment. The availability of annotated training examples remains a significant barrier to advancement in medical imaging processing. Because experts spend so much time on annotation, the entire process is prohibitively expensive. Furthermore, once a new model has been trained, the acquisition parameters will be altered. As a result, out-of-distribution detection strategy is a critical technique in the field of medical images. Our research focuses on the OOD model in the context of medical images. First, we summarized the OOD models that have been proposed in recent years. Some of them proposed new metrics to set the standard for the model's good or bad performance, while others proposed new methods to continuously increase the model's precision, so that the model could correctly identify the OOD situation. Following that, we will concentrate on using the OOD model in medical images. We are convinced that medical images outside of the original dataset are extremely important for future research into this disease. Finally, we classify the evaluation criteria, methods, and datasets that are commonly used in OOD model training. It is hoped that our research will be beneficial to future researchers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».