可信图像到图像翻译：评估无配对训练场景中的不确定性校准
图像与视频处理
2025-01-30 v1 计算机视觉与模式识别
医学物理
摘要
乳房钼化筛查是检测乳�癌的有效方法，促进早期诊断。然而，当前需要人工检查图像，这给医疗系统带来了沉重负担，推动了自动化诊断方案的需求。基于深度神经网络的技术在某些研究中表现有效，但其倾向于过拟合，导致泛化能力差和误诊风险，阻碍了在临床环境中的广泛采用。基于无配对神经风格迁移模型的数据增强方案已被提出，通过在缺乏配对训练数据（即同一组织结构的不同图像风格）时丰富训练图像特征来提高泛化性。但这些模型同样容易出现各种疾病，且在没有真实答案/大数据集（医学影像常为此情况）的情况下进行性能评估具有挑战性。本文考虑两种框架/体系结构：基于生成对抗网络的 cycleGAN，以及更近期developed的扩散模型 SynDiff。我们评估了它们在从三个公开 mammography 数据集和一个非医学图像数据集中解析的图像块上进行训练时的性能。我们考虑使用不确定性量化来评估模型的可信度，并提出了在无配对训练场景中评估校准质量的方案。最终有助于促进在缺乏真实答案的领域中图像到图像翻译模型的可信使用。
引用
@article{arxiv.2501.17570,
title = {Trustworthy image-to-image translation: evaluating uncertainty calibration in unpaired training scenarios},
author = {Ciaran Bench and Emir Ahmed and Spencer A. Thomas},
journal= {arXiv preprint arXiv:2501.17570},
year = {2025}
}