論文の概要: From Augmentation to Synthetic Evidence: Evaluating Generated Chest Radiographs at Dataset Intake

• arxiv url: http://arxiv.org/abs/2610.29152v1
• Date: Wed, 21 Oct 2026 03:39:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.193315
• Title: From Augmentation to Synthetic Evidence: Evaluating Generated Chest Radiographs at Dataset Intake
• Title（参考訳）: 増強から合成エビデンスへ:データセット摂取時の胸部X線画像の評価
• Abstract要約: 作成した胸部X線写真は, 検診記録として提出された検診記録と同じ画像で裏付けられる。 本稿では,画像が自動品質チェックに合格するか否か,原型分類器がそれを生成としてフラグ付けするか否か,信頼できる記録が要求された取得をサポートするかどうか,という3つの質問を分離して検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A generated chest radiograph can be useful as declared augmentation, but the same image becomes unsupported evidence when submitted as the record of a real examination. We study this problem by separating three questions: whether an image passes an automated quality check, whether an origin classifier flags it as generated, and whether a trusted record supports the claimed acquisition. In our experiments, Qwen selects up to 20 images from pools of 1,000 existing Cheff-identified or SynthCheX candidates. A receiver evaluates quality with MedGemma and predicted origin with a classifier on frozen DINOv3 features. Quality-based selection raises quality passes from 12 to 19 of 20 for Cheff-identified images and from 8 to 17 for SynthCheX. We find no evidence that selection improves passage through both checks: no selected Cheff-identified image passes both, while uniform, quality, and quality-constrained surrogate selection produce 2, 1, and 2 SynthCheX passes. On unprocessed test images, the origin classifier flags 4,677 of 5,000 SynthCheX images, but it also misclassify 110 of 2,297 NIH (real) images and 568 of 957 genuine images from another collection as fake. Our results further show that JPEG compression reduces SynthCheX-versus-NIH AUROC from 0.987 to 0.841. Even without processing, 152 SynthCheX images pass both pixel checks. These checks can filter submissions, but they cannot verify an acquisition claim. We strongly advocate that source and intended use must be recorded and checked separately for admission of chest radiographs in medical datasets.
• Abstract（参考訳）: 作成した胸部X線写真は, 検診記録として提出された検診記録と同じ画像で裏付けられる。 本稿では,画像が自動品質チェックに合格するか否か,原型分類器がそれを生成としてフラグ付けするか否か,信頼できる記録が要求された取得をサポートするかどうか,という3つの質問を分離して,この問題を考察する。 我々の実験では、Qwenは1000のCheff-identifiedまたはSynthCheX候補のプールから最大20の画像を選択する。 受信機は、凍ったDINOv3特徴の分類器を用いて、MedGemmaで品質を評価し、起源を予測する。 品質ベースの選択は、チェフ識別画像の20点中12点から19点、SynthCheXの8点から17点まで品質パスを上昇させる。 選択されたCheff識別画像はどちらも通過せず、均一、品質、品質に制約のあるサロゲート選択は2, 1, 2 SynthCheXパスを生成する。 未処理の試験画像では、5000枚のSynthCheX画像のうち4,677個の原型分類器フラグは、実際の2,297個のNIH画像のうち110個と、他のコレクションからの957個の真の画像の568個を偽物として誤分類している。 さらに,JPEG圧縮はSynthCheX-versus-NIH AUROCを0.987から0.841に削減することを示した。 処理なしでも、152のSynthCheXイメージは両方のピクセルチェックをパスします。 これらのチェックは提出をフィルタリングするが、取得のクレームを検証できない。 医用データセットに胸部X線写真が認められるためには,ソースと目的の使用を別々に記録し,検査する必要があると強く主張する。

関連論文リスト

• Explaining AI-Image Detection: What the Heatmap Actually Shows [65.01025489527173]
  私たちは検出器を構築し、その証拠として属性マップを添付します。 私たちは、そのペアがコントロール下の186,527のイメージにもたらすものを測定します。 属性ランキングが存在するかどうかは、検出器が画像に反応するかどうかに依存する。
  論文  参考訳（メタデータ） (2026-07-31T16:07:05Z)
• Visual Credit Audit for Multimodal Spatial Reasoning [70.16915309526443]
  Visual Credit Auditは、ベンチマーク画像がテキストのみとブランクコントロールよりもモデルの宣言された決定をもっとサポートするかどうか、モデルが関係性固有の視覚的エビデンスに反応するかどうかの2つの評価を分離する。 ラベルを適用すれば依存性認定正当性(D-CC)が得られる 4つのオープンMLLMと2つの空間ベンチマーク、12.73-26.25%の判定は正確であるが、証明されていない。
  論文  参考訳（メタデータ） (2026-07-29T15:55:31Z)
• X-Mark: Saliency-Guided Robust Dataset Ownership Verification for Medical Imaging [67.85884025186755]
  高品質な医用画像データセットは深層学習モデルの訓練には不可欠であるが、その無許可の使用は重大な著作権と倫理的懸念を提起する。 医用画像は、自然画像用に設計された既存のデータセットの所有権検証方法に固有の課題を示す。 胸部X線著作権保護のためのサンプル特異的クリーンラベル透かし法であるX-Markを提案する。
  論文  参考訳（メタデータ） (2026-02-10T00:03:43Z)
• BAND-2k: Banding Artifact Noticeable Database for Banding Detection and Quality Assessment [52.1640725073183]
  バンディングは階段のような輪郭としても知られ、圧縮または量子化アルゴリズムによって処理された画像やビデオの平坦な領域で頻繁に発生する。 これまでに2000枚のバンド化画像からなるBanding Artifact Noticeable Database (BAND-2k) という,最大のBanding IQAデータベースを構築した。 デュアル畳み込みニューラルネットワークを用いて、高周波および低周波マップから特徴表現を同時に学習する。
  論文  参考訳（メタデータ） (2023-11-29T15:56:31Z)
• Improving image quality of sparse-view lung tumor CT images with U-Net [3.5655865803527718]
  肺転移検出のためのU-Netを用いて,スパースビューCT画像の画質向上を目的とした。 プロジェクションビューは、IQを維持しながら2,048から64に減少し、良好なレベルで放射線学者の信頼性を維持することができる。
  論文  参考訳（メタデータ） (2023-07-28T12:03:55Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)

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。