Limitations of Out-of-Distribution Detection in 3D Medical Image Segmentation
원문 초록
Deep Learning models perform unreliably when the data comes from a distribution different from the training one. In critical applications such as medical imaging, out-of-distribution (OOD) detection methods help to identify such data samples, preventing erroneous predictions. In this paper, we further investigate the OOD detection effectiveness when applied to 3D medical image segmentation. We design several OOD challenges representing clinically occurring cases and show that none of these methods achieve acceptable performance. Methods not dedicated to segmentation severely fail to perform in the designed setups; their best mean false positive rate at 95% true positive rate (FPR) is 0.59. Segmentation-dedicated ones still achieve suboptimal performance, with the best mean FPR of 0.31 (lower is better). To indicate this suboptimality, we develop a simple method called Intensity Histogram Features (IHF), which performs comparable or better in the same challenges, with a mean FPR of 0.25. Our findings highlight the limitations of the existing OOD detection methods on 3D medical images and present a promising avenue for improving them. To facilitate research in this area, we release the designed challenges as a publicly available benchmark and formulate practical criteria to test the OOD detection generalization beyond the suggested benchmark. We also propose IHF as a solid baseline to contest the emerging methods.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
텍스트 유도 의료 분할을 위한 백본으로부터의 언어 지도 분리
Decoupling Language Guidance from Backbones for Text-Guided Medical Segmentation
텍스트 유도 의료 이미지 분할은 임상 의미론을 활용하여 병변 윤곽 추출을 개선하지만, 기존의 많은 모델들은 크로스 모달 융합, 감독, 디코더 설계를 태스크 특화 아키텍처에 긴밀하게 결합시킨다. 이러한 강한 결합으로 인해 이질적인 비전 및 텍스트 백본 전반에 걸쳐 언어 지도 모듈을 재사용하기 어려우며, 인코더 쌍이 변경될 때마다 네트워크를 재설계해야 하는 경우가 많다. 본 논문은 텍스트 유도 의료 이미지 분할을 위한 백본 전이 가능 계층적 어댑터 프레임워크인 BTHA를 제안한다. BTHA는 안정적인 특징 수준 인터페이스를 기반으로 구축되었으며, 다중 스케일 시각적 특징과 텍스트 표현이 주어지면 형상 보존 어댑터를 통해 의미적 지도를 주입하면서 디코더 측 텐서 계약을 유지한다. 이 인터페이스를 효과적으로 만들기 위해, 학습을 전역 이미지-텍스트 정렬, 다중 스케일 보조 위치화, 경계 인식 최종 마스크 정제로 분해하는 계층적 거친-에서-세밀한 감독 전략(Hierarchical Coarse-to-Fine Supervision Strategy)을 도입한다. 또한 해상도별 게이트가 텍스트 주입을 적응적으로 제어하고 채널 재보정이 중복된 크로스 모달 응답을 억제하는 스케일 적응형 게이트 의미적 지도(SAGSG) 어댑터를 설계한다. 다양한 비전 및 텍스트 백본에 대한 평가 결과, 동일한 어댑터 및 감독 설계가 합성곱 기반 및 트랜스포머 기반 시각적 인코더와 서로 다른 언어 인코더에서도 효과적으로 작동함을 보인다. 네 개의 공개 데이터셋에 대한 실험을 통해 BTHA가 적은 계산 오버헤드로 강력한 텍스트 유도 기준 모델들을 개선함을 추가로 입증한다.
거짓 신뢰: 자동화된 레이블이 경추 분할의 공정성 감사를 교란한다
False Confidence: Automated Labels Confound Fairness Audits in Cervical Spine Segmentation
경추(cervical-spine) MRI의 자동화된 분할(segmentation)은 임상 워크플로우에서 점점 더 많이 활용되고 있지만, 이 해부학적 구조에 대한 공정성 감사(fairness audit)는 아직 존재하지 않는다. 우리는 이러한 분할 작업에 대한 감사가 현대 분할 데이터셋의 일반적인 특성으로 인해 복잡해진다는 것을 보여준다: 전문가가 주석을 달아 만든 골드(gold) 레이블은 비용이 많이 들기 때문에, 주석 비용을 절감하기 위해 기계로 생성된 실버(silver) 레이블이 대량으로 추가된다. 모델을 평가하는 기준 자체가 편향될 수 있기 때문에 이는 중요한 문제다. 본 연구에서는 CSpineSeg 데이터셋을 활용하여 성별, 연령, 인종에 걸친 경추 MRI 분할에 대한 최초의 공정성 감사를 제시한다. 배포된 모델은 인구통계학적으로 공정하지만, 기준 레이블의 선택은 중립적이지 않다. 데이터셋의 실버 레이블은 골드 레이블로 학습된 모델에 의해 생성되기 때문에, 동일한 골드 레이블로 학습된 새로운 모델은 전문가의 정답보다 실버 레이블과 더 높은 일치도를 보인다: 동일한 예측을 골드 레이블이 아닌 실버 레이블 기준으로 평가하면 성능이 약 8 Dice 포인트 과대평가되며, 연령에 대한 공정성 판정이 비유의미에서 유의미로 뒤바뀐다 — 이는 Parikh 등이 보고한 격차 팽창(본 연구에서 거짓 크기(false magnitude)로 지칭)이 아니라, 그룹 내 분산의 붕괴(본 연구에서 거짓 신뢰(false confidence)로 지칭)에 의한 것이다. 따라서 기준 레이블의 출처(provenance)는 분할 평가에서 일차적 교란 변수(confounder)이다: 성능과 공정성은 전문가 레이블 기준으로 보고되어야 하며, 모든 공정성 주장은 기준의 출처와 함께 명시되어야 한다.
당뇨병성 망막병증 병변 분할을 위한 다중 해상도 특징 스템
Multi-Resolution Feature Stem for Diabetic Retinopathy lesion segmentation
당뇨병성 망막병증(Diabetic Retinopathy, DR)은 전 세계적으로 예방 가능한 실명의 주요 원인으로, 조기 발견 및 모니터링을 위해 심층 학습(deep learning) 모델을 이용한 자동화된 병변 분할이 요구된다. 그러나 DR 병변은 미세혈관류(microaneurysm)처럼 극히 작은 것부터 대형 출혈(hemorrhage) 및 삼출물(exudate)까지 크기가 매우 다양하다. 이러한 변동성은 모델 아키텍처와 입력 해상도에 상충되는 요구를 발생시켜 효과적인 설계를 어렵게 한다. 본 연구는 입력 해상도가 서로 다른 병변 유형에 미치는 영향을 조사한다. 512×512 및 1024×1024 해상도에서 다수의 아키텍처(U-Net, UNet++, Vision Transformer, DeepLabV3+)를 대상으로 체계적인 실험을 수행한 결과, 입력 해상도를 높이는 것이 병변 유형에 따라 상반된 효과를 나타내는 중요하고 직관에 반하는 현상을 규명하였다. 구체적으로, 높은 해상도가 미세한 미세혈관류를 정밀하게 식별하는 데 필수적인 반면, 더 큰 출혈에 대한 성능을 예상치 못하게 저하시킬 수 있음을 입증하였다. 이 결과는 높은 해상도가 일관되게 유익하다는 통념에 의문을 제기한다. 이를 해결하기 위해, UNet++ 백본에 통합된 입력 수준의 피라미드 구조인 새로운 다중 해상도 특징 스템(Multi-Resolution Feature Stem)을 제안한다. 이 아키텍처는 여러 스케일을 병렬로 처리하여 문맥 정보를 희생하지 않고 세밀한 세부 특징을 포착한다. 본 연구는 이러한 복잡한 해상도 의존적 동작에 대한 핵심적인 실증적 증거와, 이 트레이드오프를 성공적으로 해결하는 실용적이고 매개변수 효율적인 아키텍처를 제시한다.
LSegDiff: A Latent Diffusion Model for Medical Image Segmentation
DEU-Net: Dual-Encoder U-Net for Automated Skin Lesion Segmentation
PLN: Parasitic-Like Network for Barely Supervised Medical Image Segmentation
토론
이 논문과 연결된 포럼 글이 아직 없습니다.