論文の概要: Interpretable Similarity of Synthetic Image Utility

• arxiv url: http://arxiv.org/abs/2512.17080v1
• Date: Thu, 18 Dec 2025 21:24:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.178547
• Title: Interpretable Similarity of Synthetic Image Utility
• Title（参考訳）: 合成画像ユーティリティの解釈可能な類似性
• Authors: Panagiota Gatoula, George Dimas, Dimitris K. Iakovidis,
• Abstract要約: 本稿では,合成画像と実画像の類似性を評価するための新しい尺度を提案する。 提案手法は解釈可能(解釈可能ユーティリティ類似性, IUS)である。
• 参考スコア（独自算出の注目度）: 5.900714266080361
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic medical image data can unlock the potential of deep learning (DL)-based clinical decision support (CDS) systems through the creation of large scale, privacy-preserving, training sets. Despite the significant progress in this field, there is still a largely unanswered research question: "How can we quantitatively assess the similarity of a synthetically generated set of images with a set of real images in a given application domain?". Today, answers to this question are mainly provided via user evaluation studies, inception-based measures, and the classification performance achieved on synthetic images. This paper proposes a novel measure to assess the similarity between synthetically generated and real sets of images, in terms of their utility for the development of DL-based CDS systems. Inspired by generalized neural additive models, and unlike inception-based measures, the proposed measure is interpretable (Interpretable Utility Similarity, IUS), explaining why a synthetic dataset could be more useful than another one in the context of a CDS system based on clinically relevant image features. The experimental results on publicly available datasets from various color medical imaging modalities including endoscopic, dermoscopic and fundus imaging, indicate that selecting synthetic images of high utility similarity using IUS can result in relative improvements of up to 54.6% in terms of classification performance. The generality of IUS for synthetic data assessment is demonstrated also for greyscale X-ray and ultrasound imaging modalities. IUS implementation is available at https://github.com/innoisys/ius
• Abstract（参考訳）: 合成医療画像データは、大規模、プライバシー保護、トレーニングセットの作成を通じて、ディープラーニング(DL)ベースの臨床意思決定支援システム(CDS)の可能性を解き放つことができる。 この分野では大きな進歩があったが、まだほとんど答えが得られていない研究の質問がある:「与えられたアプリケーション領域における実際の画像の集合と合成生成された画像の類似性をどのように定量的に評価できるか」。 現在,本課題に対する回答は,主にユーザ評価研究,開始基準,合成画像の分類性能などを通じて提供される。 本稿では,合成画像と実画像の類似性を評価するための新しい手法を提案する。 一般化されたニューラル加算モデルにインスパイアされ、インセプションに基づく測定と異なり、提案手法は解釈可能(解釈可能なユーティリティ類似性、IUS)であり、臨床的に関係のある画像特徴に基づくCDSシステムの文脈において、合成データセットが他のものよりも有用である理由を説明する。 内視鏡, 皮膚内視鏡, 眼底画像などの様々なカラー医用画像のデータセットを公開し, IUSを用いた高実用性類似性の合成画像の選択は, 分類性能において54.6%の相対的な改善をもたらす可能性が示唆された。 合成データアセスメントのためのIUSの一般性は、グレースケールX線および超音波画像モダリティにも示される。 IUSの実装はhttps://github.com/innoisys/iusで公開されている。

関連論文リスト

• Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
  人工知能(AI)に基づく合成データ生成は、臨床医学の届け方を変えることができる。 本研究は,無線カプセル内視鏡(WCE)画像を用いた炎症性腸疾患(IBD)の診断における概念実証による医療用SDGの臨床評価に焦点を当てた。 その結果、TIDE-IIは、最先端の生成モデルと比較して品質が向上し、臨床的に可塑性で、非常に現実的なWCE画像を生成することがわかった。
  論文  参考訳（メタデータ） (2024-10-31T19:48:50Z)
• Introducing SDICE: An Index for Assessing Diversity of Synthetic Medical Datasets [3.9539878659683363]
  コントラストエンコーダによって誘導される類似度分布の特性に基づくSDICEインデックスを提案する。 合成データセットと実画像の参照データセットが与えられた場合、SDICEインデックスは、原画像と合成画像の類似度スコア分布間の距離を測定する。 MIMIC-chest X-rayデータセットとImageNetデータセットで実施された実験は、SDICEインデックスの有効性を示した。
  論文  参考訳（メタデータ） (2024-09-28T18:47:17Z)
• This Intestine Does Not Exist: Multiscale Residual Variational Autoencoder for Realistic Wireless Capsule Endoscopy Image Generation [7.430724826764835]
  新規な変分オートエンコーダアーキテクチャ,すなわち "This Intestine Don Not Exist" (TIDE) を提案する。 提案アーキテクチャは,マルチスケールな特徴抽出畳み込みブロックと残差接続を備え,高品質で多様なデータセットの生成を可能にする。 利用可能なデータセットの増大を指向した現在のアプローチとは対照的に,本研究では,TIDEを用いて実際のWCEデータセットを完全に置換できることを実証する。
  論文  参考訳（メタデータ） (2023-02-04T11:49:38Z)
• SIAN: Style-Guided Instance-Adaptive Normalization for Multi-Organ Histopathology Image Synthesis [63.845552349914186]
  本研究では,異なる臓器に対して,現実的な色分布とテクスチャを合成するためのスタイル誘導型インスタンス適応正規化(SIAN)を提案する。 4つのフェーズは一緒に動作し、生成ネットワークに統合され、イメージセマンティクス、スタイル、インスタンスレベルのバウンダリを埋め込む。
  論文  参考訳（メタデータ） (2022-09-02T16:45:46Z)
• Evaluating the Quality and Diversity of DCGAN-based Generatively Synthesized Diabetic Retinopathy Imagery [0.07499722271664144]
  公的に利用可能な糖尿病網膜症(DR)データセットは不均衡であり、DRを持つ画像の数が限られている。 この不均衡に対処するには、GAN(Geneversarative Adrial Networks)を使用して、データセットを合成画像で拡張する。 合成画像の品質と多様性を評価するために、マルチスケール構造類似度指数(MS-SSIM)、コサイン距離(CD)、Fr't Inception Distance(FID)などの評価指標を用いる。
  論文  参考訳（メタデータ） (2022-08-10T23:50:01Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。