风格迁移作为数据增强：评估乳腺X线摄影中的非配对图像到图像翻译模型

多项研究表明，深度学习模型能够学习从乳腺X线照片（乳房X射线图像）中检测乳腺癌。然而，过拟合和泛化能力差的问题阻碍了其在临床中的常规应用。在一个患者群体数据上训练的模型可能由于数据域的差异（因扫描技术或患者特征的变化而产生）而无法在另一个群体上表现良好。数据增强技术可用于通过改变现有样本来扩展训练数据中特征表示的多样性，从而提高泛化能力。图像到图像翻译模型是一种能够将一个数据集图像的特征表示（即风格）施加到另一个数据集上的方法。然而，评估模型性能并非易事，尤其是在缺乏真实值的情况下（医学影像中的常见现实）。在此，我们描述了评估风格迁移算法时应考虑的一些关键方面，强调了常用指标的优缺点，以及在实际实施时需要注意的重要因素。我们考虑了两种类型的生成模型：循环一致性生成对抗网络（CycleGAN）和基于扩散的SynDiff模型。我们学习了三个乳腺X线摄影数据集之间的非配对图像到图像翻译。我们强调，模型性能中不理想的方面可能决定某些指标的适用性，并提供了一些分析，表明各种指标在多大程度上评估了模型性能的独特方面。我们强调需要使用多个指标来全面评估模型性能。