机构名称：
¥ 1.0
摘要。在医学图像分析中，需要一个可靠的模型来检测包含重要解剖信息的输入并据此做出准确的决策。受此启发，我们引入了“临床分布外”（OCD）检测的概念，其中临床分布内数据（ICD）被定义为包含对临床决策至关重要的“临床感兴趣区域”的图像。我们提出了一个基于分类模型的 OCD 检测框架，并通过一种新颖的 softmax 条件变分自动编码器正则器进行增强。在该框架中，softmax 分数被合并到潜在空间中，并以可学习的类条件高斯分布作为先验。通过在特征重建中嵌入类信息，该方法加强了 ICD 类别内的特征紧凑性并增强了 ICD 和 OCD 特征之间的可分离性。所提出的 OCD 检测方法的有效性在从实时胎儿超声（US）视频中选择解剖视图的任务中得到了证明，其性能明显优于最先进的基于分类和基于生成的方法。
使用 Softmax- 进行临床分布外检测...
主要关键词
相关文件推荐
