IMPROVE：改进医学合理性而无需人类验证——基于增强原型引导的扩散框架
计算机视觉与模式识别
2024-11-27 v1
摘要
生成模型在生成合成医学图像方面证明了有效的应用，并在增强罕见疾病数据集、长尾数据集增强和扩大机器学习算法规模等下游任务中找到了应用。对于医学应用而言，尽管这些模型生成的医学图像在基于传统指标（如 FID 分数、精确率和召回率）评估时表现合理，但这些指标未能捕捉生成图像的医学/生物学合理性。人类专家反馈被用于获取生物学合理性，表明这些生成图像的合理性非常低。最近，研究社区进一步通过强化学习从人类反馈（RLHF）整合了这种人类反馈，从而生成更具医学合理性的图像。然而，纳入人类反馈是代价高昂且缓慢的过程。本文提出了一种无需人类反馈即可提高生成医学图像医学合理性的新方法。我们介绍了 IMPROVE：Improving Medical Plausibility without Reliance on Human Validation - An Enhanced Prototype-Guided Diffusion Framework，以原型引导扩散过程进行医学图像生成，并展示了它在无需任何人类反馈的情况下显著增强了生成医学图像的生物学合理性。我们在骨髓和 HAM10000 数据集上进行实验，表明在无需人类反馈的情况下，医学准确性可以显著提高。
引用
@article{arxiv.2411.17535,
title = {IMPROVE: Improving Medical Plausibility without Reliance on HumanValidation -- An Enhanced Prototype-Guided Diffusion Framework},
author = {Anurag Shandilya and Swapnil Bhat and Akshat Gautam and Subhash Yadav and Siddharth Bhatt and Deval Mehta and Kshitij Jadhav},
journal= {arXiv preprint arXiv:2411.17535},
year = {2024}
}