合成图像实用性可解释相似度度量
计算机视觉与模式识别
2025-12-22 v1
摘要
合成医学图像数据可以通过创建大规模、隐私保护的训练集来解锁深度学习（DL）基于临床决策支持（CDS）系统的潜力。尽管在该领域取得了显著进展，但仍有一个主要未解之谜：“如何定量评估一组合成生成图像与给定应用领域中一组真实图像的相似度？”目前主要通过用户评估研究、基于Inception的度量以及在合成图像上实现的分类性能来回答此问题。本文提出了一种新型度量，用于评估合成图像集与真实图像集在开发基于DL的CDS系统方面的实用性相似度。启发于广义神经可添加模型，与基于Inception的度量不同，本文提出的度量是可解释的（ Interpretable Utility Similarity, IUS），解释了为何在CDS系统上下文中，某合成数据集在基于临床相关图像特征的实用性方面可能优于另一数据集。实验结果表明，对使用IUS选择高实用性相似度的合成图像，可在各种颜色医学成像模态（包括内镜、皮肤镜和眼底成像）中实现最高多达54.6%的分类性能提升。IUS对合成数据评估的通用性也体现在灰度X光和超声成像模态上。IUS实现代码已公开于 https://github.com/innoisys/ius。
引用
@article{arxiv.2512.17080,
title = {Interpretable Similarity of Synthetic Image Utility},
author = {Panagiota Gatoula and George Dimas and Dimitris K. Iakovidis},
journal= {arXiv preprint arXiv:2512.17080},
year = {2025}
}
备注
Submitted for journal publication