MIRTO脑MRI无监督异常分割评估协议发布
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对脑MRI无监督异常检测评分受隐性选择影响的问题，MIRTO协议将配准、阈值设定等隐性选择显式化并量化其影响。该协议通过配准检查控制几何对齐，仅在验证集设阈值并报告测试集实际假阳性体积，在15552种评估管线中重复对比，并附加带多重性控制的置信区间。在312个BraTS 2020受试者上测试四种方法发现，存储图与参考的轴序不匹配使扩散模型体素AUROC从0.873降至0.583；在同等假阳性负担下，验证集显著的Dice优势消失；对REFLECT潜在聚合的无训练修改使Dice提升0.052。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载隐性评估选择显式化
当前脑MRI无监督异常检测方法通常仅靠单一评分排名，但该评分依赖于配准方式、阈值设定数据、假阳性预算、指标与聚合方式等极少报告的隐性选择。MIRTO协议将这些选择显式化并测量其效应。它通过配准检查与无标签诊断控制每次比较的几何形态，仅在验证数据上设定阈值，并报告测试集上实际实现的假阳性体积。此外，该协议在15552种合理的评估管线中重复每次对比，并附加带多重性控制的配对主体自举区间。
关键评估偏差实证
将MIRTO应用于在相同健康数据上训练、并在312个BraTS 2020受试者上测试的四种方法，揭示了评估选择带来的显著偏差。存储异常图与参考之间的轴序不匹配，导致某扩散模型的体素AUROC从0.873暴跌至0.583，而切片级AUROC几乎未受影响。在各指标内，方法本身解释了体素AUROC和AUPRC中至少0.95的方差、Dice中0.77的方差，但在病灶灵敏度中仅解释0.14，后者主要由病灶定义和命中标准主导。
阈值转移与性能修正
实验还发现，某方法在验证阈值下具有显著的Dice优势，但在同等实际假阳性负担下该优势消失，精确恒等属性表明这归因于阈值转移。此外，对REFLECT方法的潜在聚合进行一项无需训练的修改，便能在同等负担下使Dice提升0.052。该研究针对明确标准测试了九个假设，由于同一队列用于开发协议，所有推断均属探索性质。
为什么值得看
揭示评估管线隐性选择对模型排名的巨大影响，提供更严谨的脑MRI异常分割评估框架。
量化对齐
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。