Advancing Text-Driven Chest X-Ray Generation with Policy-Based Reinforcement Learning

最近，文本条件的图像生成扩散模型的进展已经开始为现代医学领域提供新的机会，特别是通过诊断报告生成胸部X线照片（CXRs）。然而，为了进一步推动扩散模型生成真实数据的复杂性和多样性，显然需要一种非平凡的学习方法。基于此，我们提出了CXRL，这是一个基于强化学习（RL）潜力的框架。具体来说，我们将策略梯度RL方法与精心设计的多个独特的CXR领域特定奖励模型相结合。这种方法指导扩散去噪轨迹，实现精确的CXR姿势和病理细节。考虑到复杂的医学图像环境，我们提出了“比较反馈的RL”（RLCF）作为奖励机制，这是一种人类类比评估，在复杂情况下比直接评估更有效和可靠。我们的CXRL框架包括联合优化可学习的自适应条件嵌入（ACE）和图像生成器，使模型能够产生更准确和更高感知CXR质量。我们对MIMIC-CXR-JPG数据集的广泛评估证明了我们基于RL的调优方法的有效性。因此，我们的CXRL生成了病理逼真的CXR，为生成高度符合真实临床场景的CXR建立了新的标准。

本论文旨在解决如何从诊断报告中生成胸部X射线图像的问题，提出了一种基于强化学习的框架，以提高生成的图像质量和准确性。

本论文提出了一种名为CXRL的框架，该框架基于强化学习的策略梯度方法，结合了多个针对胸部X射线图像特定的奖励模型，以指导扩散去噪轨迹，实现准确的姿势和病理细节。此外，该框架还包括联合优化可学习自适应条件嵌入（ACE）和图像生成器，以生成更准确和更高感知的胸部X射线图像。

本论文使用了MIMIC-CXR-JPG数据集进行了广泛的评估，并证明了CXRL框架的有效性。此外，论文中还提出了“具有比较反馈的强化学习”（RLCF）的奖励机制，这是一种人类类比评估方法，在复杂场景下比直接评估更有效和可靠。本论文的贡献在于提出了一种新的方法来生成与真实世界临床场景高度符合的病理学逼真的胸部X射线图像。

最近的相关研究包括使用GAN生成医学图像的方法，以及使用深度学习技术进行医学图像分割和分类的研究。例如，标题为“Generating Medical Images using GANs”的论文提出了一种基于GAN的方法来生成医学图像。