在胸部计算机断层扫描（CT）扫描中，自动分割地面玻璃的不透明和固结可以在高资源利用时期减轻放射科医生的负担。但是，由于分布（OOD）数据默默失败，深度学习模型在临床常规中不受信任。我们提出了一种轻巧的OOD检测方法，该方法利用特征空间中的Mahalanobis距离，并无缝集成到最新的分割管道中。简单的方法甚至可以增加具有临床相关的不确定性定量的预训练模型。我们在四个胸部CT分布偏移和两个磁共振成像应用中验证我们的方法，即海马和前列腺的分割。我们的结果表明，所提出的方法在所有探索场景中有效地检测到遥远和近型样品。
translated by 谷歌翻译
联邦学习是培训强大的深度学习模型的最有希望的胸廓CTS中Covid-19相关发现的细分。通过以分散的方式学习，异构数据可以从各种来源和采集协议中利用，同时确保患者隐私。然而，连续监测模型的性能是至关重要的。然而，当涉及弥漫性肺病变的分割时，快速的目视检查是不足以评估专家放射科医师对所有网络输出的质量，并且无法彻底监测。在这项工作中，我们呈现了一系列轻量级度量，可以在每个医院本地计算，然后聚合用于联合系统的中央监控。我们的线性模型检测到分布外数据集上超过70％的低质量分段，从而可靠地发出模型性能下降。
translated by 谷歌翻译