评估使用渐进式生长 GAN 生成的合成胸部 X 光片的临床真实感

胸部 X 光片是许多患者病情检查中的重要工具。与大多数医学成像模态类似，它们具有高度的多模态性，能够可视化多种病况的组合。为了开发新的诊断工具，对大量标注数据的需求日益迫切，但这与患者隐私保护 concerns 直接冲突，后者通过权限申请和伦理审批限制了数据获取。先前的工作试图通过创建类别特定的 GAN 来解决这些问题，这些 GAN 合成图像以增强训练数据。这些方法无法扩展，因为它们在模型大小和类别数量之间引入了计算上的权衡，从而对此类生成图像的质量设定了固定上限。我们通过引入隐类别优化来解决这一问题，该优化能够从 GAN 中进行高效的多模态采样，并借此合成了一个大型标注生成图像档案。我们将 PGGAN 应用于无监督 X 光片合成任务，并让放射科医生评估生成样本的临床真实感。我们对生成图像上观察到的各种病理属性进行了深入审查，并概述了模型捕获的疾病多样性程度。我们验证了应用 Fréchet Inception Distance (FID) 来衡量 X 光片生成图像的质量，发现它们与其他高分辨率任务相似。我们通过让放射科医生区分真实和虚假扫描来量化 X 光片的临床真实感，发现生成图像被归类为真实的概率高于随机猜测，但要实现真正的真实感仍需进一步努力。我们通过评估合成分类模型在真实扫描上的性能来证实这些发现。最后，我们讨论了 PGGAN 生成图像的局限性以及如何实现可控且逼真的生成图像。