概要

HARMは、医療画像に対する分布外検出（OOD検出）を目的とした混合ロバスト（Hybrid Robust）フレームワークです。臨床データでは撮像条件や機器、患者集団の違いにより分布シフトが頻発し、既存の分類器は誤動作や高い誤検出率を生じます。本リポジトリは論文（PDF）とともに、Python実装のコード、評価用画像、実験設定を提供し、特徴抽出・不確実性推定・閾値決定を組み合わせたハイブリッド手法で頑健性を高めるアプローチを示します。実験の再現や手法の拡張が可能です。

リポジトリの統計情報

• スター数: 5
• フォーク数: 0
• ウォッチャー数: 5
• コミット数: 13
• ファイル数: 6
• メインの言語: Python

主な特徴

• 医学画像向けの分布外検出に特化した混合ロバストフレームワークを提案。
• 論文PDF（「医学图像分布外检测的混合鲁棒框架」）と実験コードを同梱、再現性を重視。
• 特徴ベース検出・不確実性推定・閾値運用など複数手法を組み合わせたハイブリッド構成。
• 2025年第三届大湾区科技竞赛で二等賞受賞の成果物として公開。

技術的なポイント

本プロジェクトの技術的な核心は「ハイブリッド（混合）でのロバスト化戦略」です。医療画像のOOD検出は、単一の手法では撮像装置差、患者群差、前処理差などの多様な分布変化に対処しきれないため、特徴空間での距離計測（例：深層特徴のクラスタ距離やMahalanobis距離等）と、モデルの出力確信度（softmaxや温度スケーリング、予測分布のエントロピー）を併用します。さらに、自己教師あり学習やデータ増強を使った表現学習で特徴の汎化性を高め、異常スコアの融合やアンサンブルによって検出性能を安定化させる設計が想定されています。評価面では、AUROCやFPR@95%、検出精度の臨床的解釈を重視した閾値選定が行われることが期待されます。付属のPDFは手法の理論的背景、実験デザイン（使用データ、前処理、評価指標）、結果比較をまとめたもので、研究成果の根拠が示されています。コードベースはPythonで実装され、モデル学習・推論・評価のスクリプト群と、結果可視化用の画像ディレクトリが含まれるため、研究の再現・改良を行いやすい構成です。

プロジェクトの構成

主要なファイルとディレクトリ：

• HARM: 医学图像分布外检测的混合鲁棒框架.pdf: file
• LICENSE: file
• README.md: file
• code: dir
• image: dir

…他 1 ファイル

まとめ

医療画像の実運用を見据えたOOD検出の研究・実装を手早く試せる有益なリポジトリ。

リポジトリ情報：

• 名前: HARM
• 説明: 医学图像分布外检测的混合鲁棒框架——2025年第三届大湾区科技竞赛二等奖作品
• スター数: 5
• 言語: Python
• URL: https://github.com/LulietLyan/HARM
• オーナー: LulietLyan
• アバター: https://avatars.githubusercontent.com/u/147937803?v=4

READMEの抜粋：