(iv) We further evaluated the Train

(iv) We further evaluated the TrainSet with respect to these metrics which are presented in the 5th row. For fairness, we augmented real CS PCa data to 1942 using the data augmentation approach proposed in Yang et al. (2017a), which increases the data volume via TPS-based non-rigid transformations, for training a multimodal classifier. By comparing all rows, we observe that the Real Data achieves the high- est IS values and the lowest FID value among all synthesis methods, implying that there still exists room for improvement in synthesizing truly realistic and varied mp-MRI data. However, the comparison results of SCA are encouraging. The classifier trained with the synthetic data from “Ours w/ the AD Maximization” achieves a slightly better performance than that with real ones, implying that our method could synthesize data with idepth features and is a more viable alternative for addressing the insufficiency of medical data than the traditional data augmentation for specific clinical tasks.

結果 (繁體中文) 1:

（ⅳ）我們進一步評估相對於這些度量被第5行中所呈現的車組。為了公平，我們增強現實CS前列腺癌的數據，1942年使用楊等人提出的數據增強方法。（2017A），這增加了通過基於TPS-非剛性變換的數據量，用於訓練多峰CLASSI音響ER。通過比較所有的行，我們觀察到真實的數據達到了高的EST值和最低值的FID所有的合成方法中，這意味著仍然存在改進的餘地合成真正的現實和多樣的MP-MRI數據。然而，SCA的比較結果是令人鼓舞的。從“我們的瓦特/ AD最大化”與合成數據訓練的CLASSI網絡呃實現比用以假亂真稍微好一點的表現，

結果 (繁體中文) 2:

（iv） 我們針對第五行仲介紹的這些指標進一步評估了 TrainSet。為了公平起見，我們使用 Yang 等人（2017a）中建議的資料擴增方法將實際 CS PCa 資料增強到 1942 年，該方法通過基於 TPS 的非剛性轉換增加資料量，用於訓練多模態分類器。通過比較所有行，我們觀察到真實資料在所有合成方法中實現了最高 IS 值和最低 FID 值，這意味著在合成真正真實和多樣化的 mp-MRI 資料方面仍有改進的餘地。然而，SCA的比較結果令人鼓舞。使用"我們的 w/ AD 最大化"的合成資料訓練的分類器的性能略高於實際資料，這意味著我們的方法可以合成具有 idepth 功能的資料，並且比用於特定臨床任務的傳統資料擴充更可行的替代方法。

結果 (繁體中文) 3:

（iv）我們進一步評估了第5行所示的列車組名額。為了公平起見，我們使用Yang等人提出的數據增强方法將真實的CS PCa數據新增到1942年。（2017a），通過基於TPS的非剛性轉換新增數據量，用於訓練多模式分類。通過對所有行的比較，我們發現真實數據在所有合成方法中達到了最高的IS值和最低的FID值，這意味著在合成真實、多變的mp-MRI數據方面仍有改進的餘地。然而，SCA的比較結果令人鼓舞。利用“我們的廣告最大化”的合成數據訓練的分類者取得了比真實分類者稍好的效能，這意味著我們的方法可以合成具有理想特徵的數據，並且是解决醫療數據不足的更可行的替代方案，而不是針對特定臨床任務的傳統數據增强。