分布匹配损失会在医学图像翻译中虚构特征
计算机视觉与模式识别
2018-10-04 v3 机器学习
摘要
本文讨论了诸如 CycleGAN 中使用的分布匹配损失，在用于合成医学图像时如何导致对病症的误诊。利用这些新的图像合成方法将图像从源域翻译到目标域看似很有吸引力，因为它们能生成高质量图像，且有些甚至不需要配对数据。然而，这些图像翻译模型的工作原理是基于将翻译输出匹配到目标域的分布。当目标域提供的数据对某些类别（例如健康或患病）存在过度或不足表示时，这就会引发问题。当算法的输出是变换后的图像时，所有已知和未知的类别标签是否被保留或更改存在不确定性。因此，我们建议这些翻译后的图像不应直接用于解读（例如由医生解读），因为它们可能导致基于算法为匹配分布而虚构的图像特征对患者产生误诊。然而，许多近期论文似乎将这作为目标。
引用
@article{arxiv.1805.08841,
title = {Distribution Matching Losses Can Hallucinate Features in Medical Image Translation},
author = {Joseph Paul Cohen and Margaux Luck and Sina Honari},
journal= {arXiv preprint arXiv:1805.08841},
year = {2018}
}
备注
Published at Medical Image Computing & Computer Assisted Intervention (MICCAI 2018). An abstract is published at the Medical Imaging with Deep Learning Conference (MIDL 2018) as "How to Cure Cancer (in images) with Unpaired Image Translation"