评估与改进合成胸部 X 射线在医学图像分析中的有效性
图像与视频处理
2025-11-07 v2 计算机视觉与模式识别
摘要
目的：探索最佳实践方法，用于生成合成胸部 X 射线图像并增强医学图像数据集，以优化下游任务（如分类和分割）中深度学习模型的性能。材料与方法：我们利用潜在扩散模型，对生成的合成胸部 X 射线图像以文本提示和/或分割掩码为条件。我们探索了使用代理模型和使用放射科医生反馈来提高合成数据质量的方法。然后，这些合成图像是从相关疾病信息或几何变换后的分割掩码生成的，并添加到了来自 CheXpert、CANDID-PTX、SIIM 和 RSNA 肺炎数据集的真实训练集图像中，以衡量在测试集上对分类和分割模型性能的改进。使用 F1 和 Dice 评分评估分类和分割。采用 Bonferroni 校正的单尾 t 检验评估合成数据性能提升的统计显著性。结果：在所有实验中，合成数据我们生成的结果，在仅使用真实数据的情况下，实现了最大平均分类 F1 分数的提升为 0.150453 (置信区间: 0.099108-0.201798; P=0.0031)。对于分割，最大 Dice 分数的提升为 0.14575 (置信区间: 0.108267-0.183233; P=0.0064)。结论：最佳实践包括基于单一疾病标签或几何变换后的分割掩码进行条件化，以及可能使用代理模型进行此类生成的精细调校。
引用
@article{arxiv.2411.18602,
title = {Evaluating and Improving the Effectiveness of Synthetic Chest X-Rays for Medical Image Analysis},
author = {Eva Prakash and Jeya Maria Jose Valanarasu and Zhihong Chen and Eduardo Pontes Reis and Andrew Johnston and Anuj Pareek and Christian Bluethgen and Sergios Gatidis and Cameron Olsen and Akshay Chaudhari and Andrew Ng and Curtis Langlotz},
journal= {arXiv preprint arXiv:2411.18602},
year = {2025}
}