Newest papers

Revealing Hidden Failure Modes in Chest X-ray Classification via Spectral Domain Analysis

Samuel Halimi, Loic Themyr, Arnaud Abreu · 2026 · arXiv

DOI: 10.48550/arXiv.2610.29830 · open-access PDF

Portuguese

Os modelos de aprendizagem profunda para a detecção de anomalias de raios-X torácicos permanecem vulneráveis a mudanças de distribuição sutis (por exemplo, técnica de aquisição, fatores relacionados ao paciente e pré-processamento). A análise de erros tradicional frequentemente se baseia em metadados semânticos ou embutidos de modelo, que podem mascarar variações de sinal de baixo nível que degradam o desempenho. Neste trabalho, propomos um quadro centrado em dados para a descoberta automática de modos de falha usando análise espectral. Projetamos imagens no domínio de frequência e extraímos um perfil compacto resumindo a distribuição de energia de sinal em bandas de frequência.

Machine translation (Meta M2M100); the English original follows.

Abstract

Deep learning models for chest X-ray anomaly detection remain vulnerable to subtle distributional shifts (e.g., acquisition technique, patient-related factors, and preprocessing). Traditional error analysis often relies on semantic metadata or model embeddings, which can mask low-level signal variations that degrade performance. In this work, we propose a data-centric framework for automated failure mode discovery using spectral analysis. We project images into the frequency domain and extract a compact profile summarizing the distribution of signal energy across frequency bands. By performing

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange