Perceptual evaluation of radiologists on conditional generation of chest x-rays with adversarial and diffusion models
No Thumbnail Available
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Recientemente, los modelos de redes neuronales generativas han demostrado una creciente capacidad para sintetizar imágenes de alta calidad, gracias a los Modelos de Difusión. Esto ofrece un potencial significativo para la IA en radiología para abordar problemas como la escasez de datos y la privacidad. Asegurar la correctitud médica es crucial para la generación confiable de imágenes médicas sintéticas. Aunque varios estudios han evaluado la calidad de estas imágenes con métricas offline, los atributos clave desde la perspectiva de los radiólogos no han sido estudiados a fondo. Nuestro objetivo es abordar esta brecha cuantificando el realismo y la correctitud condicional en la generación de radiografías de tórax y comprendiendo el razonamiento de los radiólogos sobre atributos específicos de las imágenes en cuatro anomalías. Generamos un conjunto de datos con imágenes reales, generadas por GAN y por difusión. Pedimos a los radiólogos que realizaran dos tareas usando una interfaz web para evaluar estas imágenes. La primera tarea consistía en identificar la imagen sintética entre dos imágenes, siendo la otra real. Se pidió a los radiólogos que explicaran sus respuestas seleccionando una de las cuatro posibles anomalías o usando un campo de texto libre. La segunda tarea se refería a la correctitud condicional, juzgando si una anomalía estaba correctamente asignada a una imagen. Los resultados fueron analizados estadísticamente, y las respuestas de texto libre se discutieron con los participantes. Nuestro estudio reveló que, aunque los Modelos de Difusión son superiores a los GAN en el dominio general, aún no aseguran la correctitud médica al generar radiografías de tórax en ciertas condiciones. Aunque la mayoría de las imágenes sintéticas eran indistinguibles de las reales, ciertas características podían revelar su naturaleza artificial, especialmente al usar el Modelo de Difusión. Nuestros hallazgos sugieren que se necesita más trabajo para asegurar el realismo y la correctitud médica en la generación de imágenes médicas.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2025
Keywords
Generative AI, Medical AI, Computer vision, Artificial intelligence