基于嵌入特征谱评估合成胸部X光的分布保真度
机器学习
2026-03-20 v2 机器学习
摘要
胸部X光（CXR）图像是临床实践中最常用的诊断成像模态之一。严格的隐私约束常常限制了患者CXR图像的公开传播，导致越来越多地使用由深度生成模型产生的合成图像进行数据共享和训练机器学习模型。鉴于CXR图像的高风险下游应用，评估合成图像如何忠实地反映底层目标分布至关重要。我们提出了嵌入特征谱（Embedded Characteristic Score, ECS），这是一种灵活的评估程序，通过特征嵌入的特征函数变换来比较合成样本和患者CXR样本。可以根据感兴趣的临床或科学背景来选择嵌入方式。通过利用特征函数在原点附近的行为，ECS对更高矩和分布尾部的差异具有敏感性，这些差异往往被常用评估指标如巴赫希奇特征距离（Fr\'echet Inception Distance, FID）所忽略。我们建立了ECS的理论属性，描述了基于简单重抽样程序的校准策略。我们通过仿真和标准基准图像数据集比较了ECS与FID的实证性能。使用ECS评估合成CXR图像揭示了相对于患者CXR图像的临床相关分布性差异。这些结果凸显了为高风险决策提供信息的合成数据评估的重要性。
引用
@article{arxiv.2501.00744,
title = {Assessing the Distributional Fidelity of Synthetic Chest X-rays using the Embedded Characteristic Score},
author = {Edric Tam and Barbara E Engelhardt},
journal= {arXiv preprint arXiv:2501.00744},
year = {2026}
}