机构名称：
¥ 1.0
检测异常的能力，即在培训或分发期间看不到的任何内容（OOD）在医学成像应用中对于成功部署机器学习系统至关重要。使用无监督的学习过滤OOD数据特别有希望，因为它不需要昂贵的注释。基于deo的扩散概率模型（DDPM）的新型模型，称为阳极，阳极，最近在无监督的OOD检测中取得了重大进展。这项工作为数字病理中无监督的OOD检测方法提供了基准。通过利用快速采样技术，我们将阳极在足够大的尺度上应用阳极，以在Camelyon16挑战的完整测试集上进行全面的图像分析。基于ROC分析，我们表明，在两个补丁级的OOD检测任务上，ANODDPMS可以检测到OOD数据，最高为94.13和86.93，表现优于其他无人研究的方法。我们观察到阳极改变了输入的语义特性，用更良性的组织代替了异常数据。此外，我们通过评估具有不同信噪比的输入的重建误差来强调阳极对不同信息瓶颈的灵活性。尽管有完全监督的学习仍然存在显着的性能差距，但在数字病理学中的OOD检测领域表现出了巨大的希望。
数字病理中分布外检测的扩散模型
主要关键词
相关文件推荐
