弗雷谢放射性距离 (FRD): 用于比较医学影像数据集的通用度量
摘要
确定两组图像是否属于相同或不同分布或域是现代医学图像分析和深度学习中的关键任务; 例如, 用于评估图像生成模型的输出质量。当前用于此任务的度量要么依赖于（可能受偏好的）某些下游任务选择, 如分割; 要么采用来自自然影像的任务无关感知度量(例如, Fréchet Inception Distance/FID), 我们展示其不足以捕获解剖特征。为此, 我们引入一种针对医学图像量身定制的新感知度量, FRD (Fréchet Radiomic Distance), 其利用标准化、临床上有意义且可解释的图像特征。我们表明, FRD 在医学影像应用中优于其他图像分布度量, 包括超出域 (OOD) 检测, 图像到图像转换(通过更好地与下游任务性能、解剖一致性和真实性相关)以及无条件图像生成评估。此外, FRD 提供了额外收益, 如在小样本量下的稳定性和计算效率、对图像损坏和对抗性攻击的敏感性、特征可解释性以及与放射科医生感知图像质量的相关性。此外, 我们通过呈现医学影像图像相似度度量的广泛框架来解决文献中的关键差距 -- 包括首个医学图像转换生成模型大规模比较研究 -- 并发布易于访问的代码库以促进未来研究。我们的结果得到通过多样化数据集、模态和下游任务的详尽实验的支持, 突显了 FRD 在医学图像分析中广泛潜力。
引用
@article{arxiv.2412.01496,
title = {Fr\'echet Radiomic Distance (FRD): A Versatile Metric for Comparing Medical Imaging Datasets},
author = {Nicholas Konz and Richard Osuala and Preeti Verma and Yuwen Chen and Hanxue Gu and Haoyu Dong and Yaqian Chen and Andrew Marshall and Lidia Garrucho and Kaisar Kushibar and Daniel M. Lang and Gene S. Kim and Lars J. Grimm and John M. Lewin and James S. Duncan and Julia A. Schnabel and Oliver Diaz and Karim Lekadir and Maciej A. Mazurowski},
journal= {arXiv preprint arXiv:2412.01496},
year = {2026}
}
备注
Codebase for FRD computation: https://github.com/RichardObi/frd-score. Codebase for medical image similarity metric evaluation framework: https://github.com/mazurowski-lab/medical-image-similarity-metrics