Rethinking Perceptual Metrics for Medical Image Translation

现代医学图像转换方法使用生成模型来完成任务，例如将CT图像转换为MRI。评估这些方法通常依赖于目标领域中某些选择的下游任务，例如分割。另一方面，任务不可知的指标很有吸引力，例如基于网络特征的感知度量（例如FID），这在一般计算机视觉中的图像转换中很常见。在本文中，我们研究了两个医学图像转换任务（GE乳腺MRI到西门子乳腺MRI和腰椎MRI到CT）的医学图像转换评估指标，测试了各种最先进的转换方法。我们发现，感知度量通常与分割度量不相关，因为它们对这个子领域的解剖限制扩展不佳，尤其是FID不一致。然而，我们发现较少使用的像素级SWD指标可能对微妙的内模态转换有用。我们的结果表明需要进一步研究有助于医学图像转换的有用指标。

评估医学图像转换的度量问题。

通过测试各种最先进的转换方法，研究医学图像转换的评估指标，发现感知度量通常与分割度量不相关，需要进一步研究有用的度量方法。

论文测试了两个医学图像转换任务，使用了各种最先进的转换方法，发现感知度量通常与分割度量不相关，SWD度量可能对于细微的内模态转换有用。需要进一步研究有用的度量方法。

最近的相关研究包括“Unsupervised Learning for Cell-Level Visual Representation in Histopathology Images with Generative Adversarial Networks”和“Deep Learning for Medical Image Segmentation: A Review”。