公平的文本到医疗图像扩散模型与子组分布对齐调整
Xu Han1, Fangfang Fan2, Jingzhao Rong3
1Department of Radiology and Biomedical Imaging, Yale University, New Haven, CT 06519, USA.
概括
这项研究引入了一种方法来减少文本到医学图像 (T2MedI) 合成的性别偏见,改善少数群体在生成的医学图像中的代表性.
科学领域:
- 人工智能
- 医学成像
- 计算机视觉
背景情况:
- 使用隐性扩散模型的文本到医学图像 (T2MedI) 合成可以解决医疗数据稀缺问题.
- 现有的T2MedI模型可能会显示子组偏差,忽视少数群体.
- 调查和减轻这些偏见对于医疗保健中的公平人工智能至关重要.
研究的目的:
- 开发和评估T2MedI模型以减少性别偏见.
- 为T2MedI合成提出一种新的分组分布对齐方法.
- 确保生成的医学图像反映了准确的人口分布.
主要方法:
- 采用预先训练的图像框架与固定的对比语言-图像预训练 (CLIP) 文本编码器.
- 微调了"背景放射物体" (ROCO) 数据集的解码器.
- 在BraTS18数据集上实施了带有调整损失和CLIP一致性调整的子组分布调整方法.
主要成果:
- 在最初的T2MedI模型中,定性和定量分析证实了性别偏差.
- 拟议的对齐方法显著缓解了产生大脑MRI图像中的性别表示不一致.
- 生成的图像更符合目标BraTS18数据集的性别分布.
结论:
- 开发的T2MedI方法有效地减少了合成医学图像中的性别偏见.
- 小组分布对齐是创造更公平的人工智能医疗数据的可行策略.
- 这项工作有助于建立更公平,更具代表性的医学成像数据集.
