量化合成医学图像全局一致性的度量指标
图像与视频处理
2023-08-02 v1 计算机视觉与模式识别
摘要
图像合成在医学图像处理中正被日益采用，例如用于数据增强或跨模态图像翻译。在这些关键应用中，生成的图像必须满足高标准的生物学正确性。此类图像的一个特定要求是全局一致性，即图像整体连贯且结构化，使得图像的所有部分以真实且有意义的方式相互契合。然而，已有的图像质量度量并未明确量化合成图像的这一属性。在本工作中，我们引入两种能够在逐图像基础上度量合成图像全局一致性的指标。为度量全局一致性，我们假设真实图像在所描绘的对象或场景中表现出一致的性质，例如全身 MRI 中人体的体脂。因此，我们通过使用有监督训练的神经网络的图块预测并比较图像的显式属性来量化全局一致性。接下来，我们通过测量自监督训练网络预测的隐式图像特征的相似性，将该策略适配到无标签设定。我们的结果表明，在图块上预测合成图像的显式属性能够区分全局一致与不连贯的图像。图像的隐式表示对评估全局一致性的敏感度较低，但在无标签数据时仍可使用。与 FID 等已有度量相比，我们的方法能够在逐图像基础上明确度量全局一致性，从而实现对单张合成图像生物学合理性的专门分析。
引用
@article{arxiv.2308.00402,
title = {Metrics to Quantify Global Consistency in Synthetic Medical Images},
author = {Daniel Scholz and Benedikt Wiestler and Daniel Rueckert and Martin J. Menten},
journal= {arXiv preprint arXiv:2308.00402},
year = {2023}
}