GAN 与扩散模型生成 X 光片的感知评估

生成式图像模型在自然图像和医学影像领域取得了显著进展。在医学语境下，这些技术为解决数据稀缺问题——尤其是对于表现为低发病率异常的疾病——提供了潜在解决方案，这些异常会影响AI驱动的诊断和分割工具的性能。然而，关于合成图像保真度和临床实用性的疑问仍然存在，因为生成质量差的图像可能削弱模型的泛化能力并削弱信任。本研究评估了最先进的生成式模型——生成式对抗网络（GAN）和扩散模型（DM）——用于合成胸片 X 光片的有效性，其条件为四种异常：肺积聚（Atelectasis, AT）、肺 opacity（Lung Opacity, LO）、胸腔积液（Pleural Effusion, PE）和心脏轮廓肥大（Enlarged Cardiac Silhouette, ECS）。我们使用由真实图像（来自 MIMIC-CXR 数据集）和两种生成式模型（GAN 和 DM）合成图像组成的基准，进行了三位经验丰富的放射科医生读者研究。受试者被要求区分真实图像与合成图像，并评估视觉特征与目标异常之间的一致性。我们的结果表明，尽管DM生成的图像在整体上更具视觉真实感，但GAN在某些特定条件（如ECS缺失）方面可以报告更好的准确性。我们进一步识别了放射科医生用于检测合成图像的视觉线索，为理解当前模型之间的感知差距提供了见解。这些发现凸显了GAN和DM的互补优势，并指出需要进一步完善，以确保生成式模型可靠地增强AI诊断系统的训练数据集。