图像相似度指标在小数据集视网膜图像分割中的有效性

合成图像是用于提高各种机器学习模型性能的有限医学成像数据集增强的选项。用于评估合成图像质量的常见指标是 Fréchet Inception Distance（FID），它衡量两个图像数据集的相似度。在本研究中，我们评估了该指标与合成图像（由 Progressively Growing 生成式对抗网络（PGGAN）生成）在增强糖尿病相关视网膜水肿（DME）视网膜 fluid 分割方面，由 U-Net 模型在有限训练数据下的性能提升之间的关系。我们发现，与先前实验的结果一致，使用标准和合成图像进行增强的行为表现一致。此外，我们表明， dissimilar（高 FID）的数据集不会显著提高分割效果。随着训练集与增强数据集之间的 FID 降低，增强数据集被证明能够为图像分割带来显著且稳健的改进。最后，我们发现有显著证据表明，合成数据和标准增强数据遵循 FID 与模型性能提升之间独立的对数正态趋势，合成数据比标准增强技术更有效。我们的发现表明，更相似的数据集（较低 FID）将更有效地提高 U-Net 性能，但结果也表明，这种改进只有在图像足够 dissimilar 时才会发生。