评价文本到图像生成的人体解剖学的摄影现实图像
Paula Muhr1, Yating Pan2, Charlotte Tumescheit1
1Faculty of Medicine, Institute for Implementation Science in Health Care, University of Zurich, Zurich, CHE.
Cureus
|December 23, 2024
概括
一个新的错误分类系统允许对人工智能生成的人类图像进行系统比较. 达尔-E 3在总体上表现优于稳定扩散,突出了医学生成人工智能的改进领域.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 生成型人工智能 (AI) 模型从文本中创建光现实的人类图像,在医学教育和合成数据生成中具有应用.
- 评估和比较来自不同AI模型的各种输出具有挑战性.
- 需要一个系统的方法来比较人工智能生成的人类图像和模型.
研究的目的:
- 开发和应用一个系统的错误分类系统,用于评估人工智能生成的真实人体图像.
- 量化比较三种领先的生成AI模型 (DALL-E3,稳定扩散XL,稳定级联) 的性能.
主要方法:
- 开发了一个有五种错误类型,三种严重程度和五个解剖区域的错误分类系统.
- 使用10个提示,将系统应用于3个模型中的240张AI生成的图像.
- 使用评分方法量化错误,并评估评价者之间的一致性 (克里多夫的α).
主要成果:
- 错误分类系统为人工智能生成的图像质量提供了定量评分方法.
- 与稳定扩散相比,DALL-E 3表现出更高的性能,尽管稳定扩散提供了更大的多样性.
- 群组图像和特定提示对所有测试的AI模型构成了更大的挑战.
结论:
- 开发的方法使人工智能生成的人类图像的系统比较和评估成为可能.
- 研究结果为改善医疗应用的生成性AI模型提供了见解.
更多相关视频
11:36Voxel Printing Anatomy: Design and Fabrication of Realistic, Presurgical Planning Models through Bitmap Printing
Published on: February 9, 2022
2.7K
12:32Image Rendering Techniques in Postmortem Computed Tomography: Evaluation of Biological Health and Profile in Stranded Cetaceans
Published on: September 27, 2020
8.6K
