用于生成医学成像评估的特征提取:针对不断发展的趋势的新证据
McKell Woodland1,2, Austin Castelo1, Mais Al Taie1
1The University of Texas MD Anderson Cancer Center, Houston TX 77030, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|May 30, 2025
概括
基于ImageNet的特征提取器提供了更可靠的合成医学图像质量评估,而不是那些在医疗数据上受过训练的人. 这一发现挑战了当前的做法,并改善了与人类判断的Fréchet距离度量一致性.
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:
- 弗雷切开始距离 (FID) 是合成图像质量的标准度量.
- 它依赖于ImageNet功能,这引发了关于其在医学成像中的使用的问题.
- 将FID与医疗图像训练的提取器进行调整是最近的一个趋势.
研究的目的:
- 评估ImageNet与医疗成像训练有素特征提取器在医学成像中用于FID的有效性.
- 将FID排名的一致性与人类专家判断进行比较.
- 挑战医疗特定特征提取器提高FID可靠性的假设.
主要方法:
- 在四种医疗模式和四种增强技术中评估了16个StyleGAN2网络.
- 使用 ImageNet 和 RadImageNet 训练的 11 个特征提取器计算的 Fréchet 距离 (FD).
- 通过视觉图灵测试将FD排名与人类评估进行了比较.
主要成果:
- 基于ImageNet的提取器显示了与人类判断一致的排名.
- 来自 ImageNet 训练的 SwAV 提取器的 FD 与专家评估有显著的相关性.
- 与人类判断相比,基于RadImageNet的排名是不一致和不稳定的.
结论:
- 医疗图像训练的特征提取器并不本质上提高FID可靠性.
- 基于ImageNet的特征提取器在医学图像质量评估中更加一致,并与人类判断保持一致.
- 目前适应FID用于医学成像的现行做法可能会损害计量可靠性.
