Parameter choices in HaarPSI for IQA with medical images

要約

機械学習モデルを開発する場合、画質評価 (IQA) 尺度は評価の重要な要素です。
ただし、一般的に使用される IQA 尺度は、主に自然画像向けに開発および最適化されています。
これは、医療画像などの多くの特殊な環境において、適合性に関して見落とされがちな問題を引き起こします。
以前の研究では、IQA 尺度 HaarPSI は自然画像と医療画像に対して有望な動作を示しました。
HaarPSI は Haar ウェーブレット表現に基づいており、このフレームワークにより 2 つのパラメーターの最適化が可能になります。
これまでのところ、これらのパラメータは自然画像用に調整されています。
ここでは、光音響データセットと胸部 X 線データセットという 2 つの注釈付き医療データセットに対してこれらのパラメーターを最適化します。
これらは、使用された自然画像よりもパラメーターの選択に対してより敏感であり、その一方で、両方の医療データセットは、最適化された場合に同様のパラメーター値をもたらすことがわかりました。
医療画像のパフォーマンスを特に向上させる最適化された設定を HaarPSI$_{MED}$ で示します。
この結果は、一般的な IQA 測定を医用画像のフレームワーク内に適応させることで、より具体的なタスクベースの測定の採用に価値があり、一般化可能な追加機能を提供できることを示唆しています。

要約(オリジナル)

When developing machine learning models, image quality assessment (IQA) measures are a crucial component for evaluation. However, commonly used IQA measures have been primarily developed and optimized for natural images. In many specialized settings, such as medical images, this poses an often-overlooked problem regarding suitability. In previous studies, the IQA measure HaarPSI showed promising behavior for natural and medical images. HaarPSI is based on Haar wavelet representations and the framework allows optimization of two parameters. So far, these parameters have been aligned for natural images. Here, we optimize these parameters for two annotated medical data sets, a photoacoustic and a chest X-Ray data set. We observe that they are more sensitive to the parameter choices than the employed natural images, and on the other hand both medical data sets lead to similar parameter values when optimized. We denote the optimized setting, which improves the performance for the medical images notably, by HaarPSI$_{MED}$. The results suggest that adapting common IQA measures within their frameworks for medical images can provide a valuable, generalizable addition to the employment of more specific task-based measures.

arxiv情報

著者 Clemens Karner,Janek Gröhl,Ian Selby,Judith Babar,Jake Beckford,Thomas R Else,Timothy J Sadler,Shahab Shahipasand,Arthikkaa Thavakumar,Michael Roberts,James H. F. Rudd,Carola-Bibiane Schönlieb,Jonathan R Weir-McCall,Anna Breger
発行日 2024-10-31 16:28:49+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, eess.IV パーマリンク