Key points are not available for this paper at this time.
신경망 기반 시스템의 임상 실무 통합은 도메인 일반화 및 강건성과 관련된 문제로 제한됩니다. 컴퓨터 비전 커뮤니티는 그러한 도전에 대한 진행 상황을 측정하기 위한 기본 전제 조건으로 ImageNet-C와 같은 벤치마크를 설정했습니다. 유사한 데이터 세트는 의료 영상 커뮤니티에서 대체로 부족하며, 다양한 영상 모달리티와 응용 프로그램을 아우르는 포괄적인 벤치마크가 결여되어 있습니다. 이러한 격차를 해소하기 위해, 우리는 MedMNIST+ 컬렉션을 기반으로 12개의 데이터 세트와 9개의 영상 모달리티를 포함하는 벤치마크 데이터 세트인 MedMNIST-C를 만들고 오픈 소스화했습니다. 우리는 다양한 심각도의 작업 및 모달리티 특정 이미지 손상을 시뮬레이션하여 실제 아티팩트 및 분포 변화에 대한 기존 알고리즘의 강건성을 종합적으로 평가합니다. 또한 사용하기 쉬운 인공 손상이 모델 강건성을 향상시키는 고성능의 경량 데이터 증강을 가능하게 하는 정량적 증거를 제공합니다. 전통적인 일반적인 증강 전략과 달리, 우리의 접근 방식은 도메인 지식을 활용하여 널리 채택된 방법들에 비해 현저히 더 높은 강건성을 보입니다. MedMNIST-C를 도입하고 맞춤형 데이터 증강을 가능하게 하는 해당 라이브러리를 오픈 소스화함으로써, 우리는 의료 영상의 도전에 맞춘 점점 더 강건한 방법 개발에 기여합니다. 코드는 https://github.com/francescodisalvo05/medmnistc-api에서 사용할 수 있습니다.
Salvo 외(2023)는 이 질문을 연구했습니다.