论文
用于生成 真值 医学图像的局部标签通知特征传输：基于 GAN 和扩散的方法的比较
Local Label-Informed Feature Transfer for Generating Ground-Truth Medical Images: A Comparison of GAN- and Diffusion-Based Approaches
摘要
验证医学成像中的可解释人工智能 (XAI) 方法需要具有已知信息特征位置的 真值 数据。然而，当前的方法依赖于专家注释，这很容易出现标签错误，或者依赖于叠加在健康图像上的手工人工扰动来模拟病变或恶性特征，这缺乏临床现实性。我们提出了本地标签通知特征传输（LLIFT），这是一个用于生成半合成脑磁共振图像的框架，其中真实病变放置在用户控制区域，在训练期间不需要像素级病变注释。我们使用两种生成范例来实现 LLIFT：LLIFT-GAN，一种仅从二进制类标签中学习病理特征的自定义 GAN，以及 LLIFT-DM，一种基于扩散的修复管道，通过 ControlNet 以边界框掩码为条件。这两种方法都根据人类连接组计划的脑磁共振成像数据进行评估。在评估中，两者都获得了相对于真实病理分布的 Fréchet Inception Distance 分数，该分数与给定数据集中健康图像和病理图像之间的类间参考相当。此外，定性检查证实了病变结构的真实性。生成的基准数据集提供了空间控制的 真值 数据，用于评估医学成像中的 XAI 方法。