ترجمه فارسی مقاله کاهش ابعاد و نزدیکترین همسایه‌ها برای بهبود تشخیص خارج از توزیع در قطعه‌بندی تصاویر پزشکی

چکیده

Clinically deployed deep learning-based segmentation models are known to fail on data outside of their training distributions. While clinicians review the segmentations, these models tend to perform well in most instances, which could exacerbate automation bias. Therefore, detecting out-of-distribution images at inference is critical to warn the clinicians that the model likely failed. This work applied the Mahalanobis distance (MD) post hoc to the bottleneck features of four Swin UNETR and nnU-net models that segmented the liver on T1-weighted magnetic resonance imaging and computed tomography. By reducing the dimensions of the bottleneck features with either principal component analysis or uniform manifold approximation and projection, images the models failed on were detected with high performance and minimal computational load. In addition, this work explored a non-parametric alternative to the MD, a k-th nearest neighbors distance (KNN). KNN drastically improved scalability and performance over MD when both were applied to raw and average-pooled bottleneck features.

چکیده به فارسی (ترجمه ماشینی)

مدل های تقسیم بندی مبتنی بر یادگیری عمیق که از نظر بالینی مستقر شده اند ، در داده های خارج از توزیع آموزش آنها ناکام هستند.در حالی که پزشکان تقسیم بندی ها را مرور می کنند ، این مدل ها در اکثر موارد تمایل به عملکرد خوب دارند ، که می تواند تعصب اتوماسیون را تشدید کند.بنابراین ، تشخیص تصاویر خارج از توزیع در استنتاج برای هشدار دادن به پزشکان که احتمالاً این مدل شکست خورده است ، بسیار مهم است.این کار از فاصله Mahalanobis (MD) پس از تعقیب در ویژگی های تنگنا چهار مدل SWIN UNETER و NNU-NET استفاده کرد که کبد را در تصویربرداری رزونانس مغناطیسی T1 و توموگرافی کامپیوتری تقسیم می کرد.با کاهش ابعاد ویژگی های تنگنا با تجزیه و تحلیل مؤلفه اصلی یا تقریب و طرح ریزی منیفولد یکنواخت ، تصاویر مدل ها با عملکرد بالا و حداقل بار محاسباتی تشخیص داده شدند.علاوه بر این ، این کار یک گزینه جایگزین غیر پارامتری برای MD ، نزدیکترین همسایگان K-Th (KNN) را مورد بررسی قرار داده است.KNN مقیاس پذیری و عملکرد نسبت به MD را به شدت بهبود بخشید که هر دو در ویژگی های تنگنک خام و متوسط ​​استفاده شدند.