重思医学 AI 中生成数据增强的偏差：一种频率校准方法
计算机视觉与模式识别
2025-11-18 v1 人工智能
摘要
医学 AI 开发依赖大规模数据集，常因数据稀缺而受限。利用 AI 生成模型进行生成数据增强 (GDA) 可用于合成真实的医学图像。然而，医学领域常低估 GDA 的偏差，担忧 AI 生成的特征可能引入有害特征并损害下游任务。本文识别出真实图像与合成图像之间频率错位作为导致 GDA 可靠性差异的关键因素之一，提出频率校准 (FreRec) 方法以减少频率分布差异，从而提高 GDA。FreRec 包括 (1) 统计高频替换 (SHR) 以大致对齐高频成分，和 (2) 重建高频映射 (RHM) 以增强图像质量并重建高频细节。在 various 医学数据集上进行了广泛实验，包括脑部 MRI、胸部 X 光和视网膜图像。结果表明，FreRec 显著优于未校准的 AI 生成样本提高了下游医学图像分类性能。FreRec 是一个独立的后处理步骤，兼容任何生成模型，可无缝集成到常见的医学 GDA 流程中。
引用
@article{arxiv.2511.12301,
title = {Rethinking Bias in Generative Data Augmentation for Medical AI: a Frequency Recalibration Method},
author = {Chi Liu and Jincheng Liu and Congcong Zhu and Minghao Wang and Sheng Shen and Jia Gu and Tianqing Zhu and Wanlei Zhou},
journal= {arXiv preprint arXiv:2511.12301},
year = {2025}
}
备注
Accepted for AAAI 2026 (Main Track Poster)