OpenMIBOOD|医学成像数据集|异常检测数据集

OpenMIBOOD是由雷根斯堡医学成像计算(ReMIC)推出的一个全面的医学成像领域异常检测基准框架，包含14个数据集，分为三个不同的OOD评估设置：MIDOG、PhaKIR和OASIS-3。这些数据集覆盖了组织病理学、内窥镜检查和磁共振成像等领域，旨在评估OOD检测方法在医学成像环境中的性能。

AI搜集汇总

数据集介绍

构建方式

OpenMIBOOD数据集的构建基于三个医学影像领域的基准数据集，分别是MIDOG、PhaKIR和OASIS-3。这些数据集被划分为不同的分布类别，包括协变量偏移的分布内数据（cs-ID）、近分布外数据（near-OOD）和远分布外数据（far-OOD）。每个基准数据集都经过精心设计，以确保能够全面评估分布外检测方法在医学影像中的表现。数据集的划分包括训练集、验证集和测试集，验证集用于超参数调优，测试集则专门用于评估分布外检测性能。

特点

OpenMIBOOD数据集的特点在于其多样性和广泛性，涵盖了组织病理学、内窥镜和磁共振成像（MRI）等多个医学影像领域。数据集中的分布外数据被细分为近分布外和远分布外，分别模拟了不同程度的领域偏移。此外，OpenMIBOOD还提供了24种后处理方法的标准评估框架，使得研究人员能够公平地比较不同方法的性能。数据集的设计特别关注医学影像中的领域特异性，揭示了自然图像领域的分布外检测方法在医学影像中的局限性。

使用方法

OpenMIBOOD数据集的使用方法主要包括训练分类模型、评估分布外检测方法以及分析结果。首先，研究人员可以使用数据集中的分布内数据训练分类模型，并通过验证集进行超参数调优。随后，使用测试集评估分布外检测方法的性能，主要评估指标包括AUROC、FPR@95和AUPR等。通过对比不同方法在近分布外和远分布外数据上的表现，研究人员可以识别出最适合医学影像的分布外检测方法。此外，OpenMIBOOD还提供了代码库和模型下载链接，便于研究人员复现实验结果。

背景与挑战

背景概述

OpenMIBOOD（Open Medical Imaging Benchmarks for Out-Of-Distribution Detection）是由Regensburg Medical Image Computing (ReMIC)和Regensburg Center of Health Sciences and Technology (RCHST)的研究团队于2025年提出的一个医学影像领域的开放基准数据集。该数据集旨在评估和推动医学影像中的分布外（Out-Of-Distribution, OOD）检测方法的发展。OpenMIBOOD包含来自不同医学领域的三个基准，涵盖了14个数据集，分为协变量偏移的分布内数据（covariate-shifted in-distribution）、近分布外数据（near-OOD）和远分布外数据（far-OOD）。通过评估24种后处理方法，OpenMIBOOD为医学影像中的OOD检测方法提供了一个标准化的参考框架，揭示了自然图像领域的OOD检测方法在医学影像中的局限性，强调了医学领域专用基准的必要性。

当前挑战

OpenMIBOOD面临的挑战主要包括两个方面：首先，医学影像中的OOD检测问题具有独特的复杂性。医学影像数据通常具有较低的方差和特定的语义偏移，这使得从自然图像领域迁移的OOD检测方法在医学影像中表现不佳。其次，数据集的构建过程中也面临诸多挑战。医学影像数据的获取和处理受到隐私和伦理限制，导致训练数据有限且难以获取。此外，医学影像中的协变量偏移（如成像设备、扫描协议的变化）和语义偏移（如不同疾病类型或物种的差异）使得OOD检测方法的评估和优化更加复杂。OpenMIBOOD通过引入多样化的医学影像数据集，旨在解决这些挑战，推动医学影像中可靠且可信的AI系统的发展。

常用场景

经典使用场景

OpenMIBOOD数据集主要用于评估医疗影像中的分布外（Out-Of-Distribution, OOD）检测方法。该数据集涵盖了多个医学领域的影像数据，包括组织病理学、内窥镜和磁共振成像（MRI），并提供了14个数据集，分为协变量偏移的分布内数据（cs-ID）、近分布外数据（near-OOD）和远分布外数据（far-OOD）。通过评估24种后处理方法，OpenMIBOOD为OOD检测方法的开发和公平比较提供了标准化的参考框架。

解决学术问题

OpenMIBOOD解决了医疗影像领域中OOD检测方法评估的标准化问题。由于医疗影像数据的特殊性，传统的OOD检测方法在自然图像上的表现往往无法直接迁移到医疗领域。该数据集通过提供多样化的医疗影像数据，揭示了现有方法在医疗数据上的局限性，并推动了针对医疗影像的OOD检测方法的研究与改进。

衍生相关工作

OpenMIBOOD的推出催生了一系列相关研究工作，特别是在医疗影像领域的OOD检测方法优化方面。基于该数据集的研究揭示了特征空间信息在医疗影像OOD检测中的优越性，推动了更多基于特征的方法开发。此外，OpenMIBOOD还为其他医疗影像任务（如分割任务）的OOD检测提供了参考框架，进一步扩展了其应用范围。