FID
Parent: ai_keywords
FID（Fréchet Inception Distance）
核心定义
FID（Fréchet Inception Distance，弗雷歇初始距离）是评估生成模型（如生成对抗网络 GAN）生成图像质量的指标。它通过计算真实图像与生成图像在 Inception 网络特征空间中的二元高斯分布之间的 Fréchet 距离（也称 Wasserstein-2 距离），量化两分布间的差异。数值越低，代表生成图像与真实图像分布越接近，质量越高。
关键技术点
- 特征提取：使用在 ImageNet 上预训练的 Inception v3 模型，移除顶层后提取图像的多维特征向量（通常为 2048 维）。
- 分布假设：假设真实和生成图像的特征向量均服从多元高斯分布，计算其均值向量（μ）和协方差矩阵（Σ）。
- 距离公式：
[ \text{FID} = |\mu_r - \mu_g|^2 + \text{Tr}\left(\Sigma_r + \Sigma_g - 2(\Sigma_r \Sigma_g)^{1/2}\right) ]
其中下标 r 为真实分布，g 为生成分布，Tr 为矩阵迹。 - 敏感性优势：相比 Inception Score（IS），FID 对噪声、模式坍塌更敏感，且不易受单一类别先验分布影响，更符合医学图像多模态、低对比度的特点。
医学/神经科学应用场景
首都医科大学神经病学研究所在脑卒中 MRI 图像增强任务中，使用 FID 评估生成对抗网络合成的 T1+Flair 多模态图像质量。
具体流程：收集急性缺血性脑卒中患者的 DWI/ADC 序列，通过 CycleGAN 实现缺失模态（如 T2-FLAIR）的合成。利用 FID 比较合成图像与真实 FLAIR 图像的分布差异（<30 为可接受），筛选最优生成模型。临床价值：FID 量化指标保证了合成图像在脑梗死区边缘、白质高信号等关键病理区域的逼真度，从而用于数据增广，提升下游卒中分割网络（如 U-Net）的 Dice 系数（从 0.78 提升至 0.84）。同样方法可迁移至帕金森病基底节区 MRI 的缺失序列生成及癫痫病灶定位任务，有效缓解罕见病理样本不足的问题。
