合成医学图像的美貌还是野兽:哪一方面值得我们关注?
利用潜在扩散模型生成皮肤病图像的研究表明,通过合成数据训练模型可以在数据有限的情况下提高性能,但合成数据与真实数据相比仍然有较小的性能增益,因此收集多样的真实数据仍是提升医疗人工智能算法的重要步骤。
Aug, 2023
深度生成模型生成的合成图像可以解决数据缺乏和数据隐私问题。然而,图像质量评估仅仅基于图像质量测量,并且绝大部分研究者更青睐于产生逼真的图像的合成模型,即具有良好保真度评分,例如低 FID 和高 PSNR 的图像。本研究通过分析超过 100k 张胸部 X 射线图像及其人工合成的副本,确认了保真度、多样性和隐私性之间不可避免的平衡问题,同时指出了保真度和多样性并非高效实用性的必要条件,实验表明,对于数据增强而言,高效实用性的图片也可以是模式坍塌图像和低保真度图像。此外,实验还表明,还可能生成既高效实用又隐私保护的图像,这可以为隐私保护应用中的深度生成模型提供强有力的理论支持。
May, 2023
通过使用生成模型中的合成训练数据,本研究提出了一个全面框架,以提高医学图像分析的模型开发效果,同时解决数据稀缺、数据不平衡和患者隐私问题。通过在各种规模的数据集上进行测试,我们展示了生成模型作为数据增广方法的优势,以及通过敌对方法保护患者隐私以及使用实际留存数据进行模型测试的新型性能指标。我们证明了使用合成数据和真实数据进行训练优于仅使用真实数据进行训练,并且仅使用合成数据进行训练的模型接近仅使用真实数据进行训练的模型。
Oct, 2023
利用机器学习技术来区分 AI 生成的合成图像和真实图像,通过优化深度学习模型和对比实验结果表明,深度学习模型可以更准确地识别合成图像,进一步推动数字媒体可信度及 AI 生成内容的伦理和技术探索。
Jan, 2024
本研究使用 3D 可变形面部模型,通过合成数据生成具有不同面部身份和完全控制的姿态、光照和背景的图像,观察到利用合成数据可以显著降低对真实世界图像需求,在预训练后,通过微调真实图像,合成数据与真实数据相结合的模型可获得更高的性能,而且并没有负面影响。
Feb, 2018
本篇论文旨在通过 ArtiFact 大型数据集以及多分类分类方案和滤波步幅缩减策略,检测来自已知和未知生成器的合成图像,以增强合成图像探测器的泛化和鲁棒性。结果表明,该方案在 IEEE VIP Cup ICIP 2022 挑战赛上取得了明显的优势。
Feb, 2023
该研究提出了一种基于生成对抗网络的新型双阶段流水线,用于从医学图像数据中生成合成医学图像,并开发了 SynthMed 在线数据库以促进医学图像任务的发展。
Sep, 2017
该研究探究了在合成图像检测中使用人工智能支持的人类操作员与使用传统方法训练的模型的效果比较,结果发现人工智能在训练时使用的人类指导会提供更好的图像分类支持。同时,向人类操作员提供合成图像检测模型的决策或热点映射可以提高模型的分类准确性并增加人类操作员的信任感,从而提高人类操作员与人工智能合作的效果。
Aug, 2022