OpenMIBOOD

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。

OpenMIBOOD is a comprehensive out-of-distribution (OOD) detection benchmark framework for medical imaging, developed by Regensburg Medical Imaging Computing (ReMIC). It encompasses 14 datasets, which are categorized into three distinct OOD evaluation settings: MIDOG, PhaKIR, and OASIS-3. These datasets cover multiple medical imaging domains including histopathology, endoscopy, and magnetic resonance imaging, and are designed to evaluate the performance of OOD detection methods in medical imaging scenarios.

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。