TriAug：超声成像中不平衡乳腺病变鲁棒分类的离群样本检测
内容提要
该文综述医学影像中的分布外检测方法，涉及胸部X线、胎儿超声、前列腺MRI、皮肤病变及肝脏MRI等任务。研究表明，计算机视觉中的高性能方法未必适用于医学影像；多方向MRI、扩散模型、马氏距离后处理及GAN等方法可提升检测效果，而简单二元分类器在部分基准中表现最佳。
延伸解读
医学影像OOD检测的跨领域挑战
文章通过对比研究指出，计算机视觉中高性能的OOD检测方法未必适用于医学影像任务。例如，在胸部X线疾病分类中，这些方法的表现并不理想。这提示研究者和开发者不能直接套用CV领域的解决方案，而需针对医学影像的特点（如数据分布差异、任务复杂性）进行专门优化。
多方向MRI与扩散模型提升检测性能
针对前列腺癌检测，基于多个T2w方向的多流方法比单一方向方法取得了更好的AUC（73.1 vs 82.3）。在胎儿超声视频中，双条件扩散模型（DCDM）将模型限制在生成与ID集内结构和语义类似的图像上，在准确性、精确度和F1得分上分别比参考方法提高了12%、22%和8%。这些案例表明，利用多模态信息和生成模型可以有效提升OOD检测效果。
简单二元分类器在部分基准中表现最佳
文章提到，在医学图像的三个领域中对常见OOD检测方法进行基准测试时，尽管这些方法对某些类别的OOB样本产生良好结果，但它们未能识别接近训练数据分布的图像。作者发现，简单的二元分类器在特征表示上具有最佳的平均精度和AUPRC。这一发现挑战了“越复杂越好”的直觉，提示在特定场景下简单方法可能更有效。
后处理与生成方法在OOD检测中的应用
文章介绍了多种提升OOD检测性能的技术：使用马氏距离后处理肝脏MRI的Swin UNETR模型瓶颈特征，通过主成分分析降维，高效且计算负载最小地检测分布外图像；利用GAN在90%以上的区分肝脏与非肝脏的情况下识别分布外图像；以及通过引入多个放弃类和虚拟标签训练检测器，在长尾OOD检测任务中表现优于最先进方法。这些方法为实际应用提供了多样化的选择。
Q&A
在医学影像的分布外检测中，计算机视觉中的高性能方法是否直接适用？
不直接适用。研究表明，在计算机视觉任务中高性能的OOD检测方法，在医学成像任务（如胸部X线疾病分类）中并不直接转化为高准确性，因此需要开发针对医学影像的下一代OOD检测方法。
双条件扩散模型（DCDM）在胎儿超声视频中检测OOD样本的效果如何？
DCDM通过生成与ID集内结构和语义类似的图像来检测OOD样本，在胎儿超声视频中，其准确性比参考方法提高了12%，精确度提高了22%，F1得分提高了8%。
多流方法如何提升前列腺癌MRI的OOD检测性能？
基于多个T2w方向的多流方法在前列腺癌MRI的无监督OOD检测中，取得了比单一方向方法更好的效果（AUC：82.3对比73.1），显示了MRI在前列腺癌OOD检测中的潜力。
在医学图像OOD检测基准测试中，简单二元分类器的表现如何？
在三个医学图像领域的基准测试中，简单的二元分类器在特征表示上具有最佳的平均精度和AUPRC，尽管其他方法对某些OOB样本有效，但未能识别接近训练数据分布的图像。
如何利用马氏距离后处理检测肝脏MRI中的分布外图像？
通过使用马氏距离后处理肝脏MRI的Swin UNETR模型的瓶颈特征，并通过主成分分析降低特征维度，可以高效且计算负载最小地检测到分布外图像。
在长尾OOD检测任务中，有哪些有效的方法策略？
通过引入多个放弃类来扩展内分布类空间，并通过虚拟标签训练识别OOD数据的检测器，以及将图片叠加到具有丰富上下文的OOD数据以增强对尾类特征的注意力，这些方法在长尾OOD检测任务中表现优于最先进方法，并可作为现有长尾学习方法的附加模块。
