Exploring Foundation Models for Synthetic Medical Imaging: A Study on Chest X-Rays and Fine-Tuning Techniques

要約

機械学習は、病気の予防と治療法の特定を支援することにより、医療を大幅に進歩させました。
ただし、プライバシー上の懸念と厳格な規制により、患者データへのアクセスは困難な場合があります。
現実的な合成データを生成することは、これらの制限を克服するための潜在的な解決策を提供し、最近の研究では基礎モデルを微調整することでそのようなデータを効果的に生成できることが示唆されています。
この研究では、リアルな医療画像、特に胸部 X 線画像を生成するための基礎モデルの可能性を調査し、微調整によってパフォーマンスがどのように向上するかを評価します。
私たちは、事前にトレーニングされた基礎モデルから始めて、さまざまな構成を通じてそれを改良する潜在拡散モデルの使用を提案します。
さらに、医療専門家からの意見を取り入れて実験を実施し、トレーニングされた各モデルによって生成された画像のリアリズムを評価しました。

要約(オリジナル)

Machine learning has significantly advanced healthcare by aiding in disease prevention and treatment identification. However, accessing patient data can be challenging due to privacy concerns and strict regulations. Generating synthetic, realistic data offers a potential solution for overcoming these limitations, and recent studies suggest that fine-tuning foundation models can produce such data effectively. In this study, we explore the potential of foundation models for generating realistic medical images, particularly chest x-rays, and assess how their performance improves with fine-tuning. We propose using a Latent Diffusion Model, starting with a pre-trained foundation model and refining it through various configurations. Additionally, we performed experiments with input from a medical professional to assess the realism of the images produced by each trained model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google