合成人工智能使用生成对抗网络进行视网膜成像,用于检测与年龄相关的黄斑变性

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 与年龄相关的黄斑变性 (AMD) 是全球视力丧失的主要原因.
• 早期发现AMD对于预防视力损伤至关重要.
• 目前的AMD查依赖于经验丰富的专业人员,并且可能耗费大量资源.

研究的目的:

• 开发能够合成具有AMD病变的真实底部图像的生成对抗网络 (GAN).
• 用一个新的客观尺度来评估GAN合成图像的真实性.
• 为应对有限数据集的挑战,用于训练用于AMD检测的深度学习模型.

主要方法:

• 利用StyleGAN2和一个人入循环 (HITL) 方法来合成具有AMD特征的 fundus 图像.
• 在125,012张 fundus照片的大数据集上训练了GAN模型.
• 开发并应用了一种新的客观现实性尺度,该尺度基于 fundus 照片中破损血管的频率.
• 通过四名眼科住院医生的评分来评估图像的现实性.

主要成果:

• HITL训练成功地增加了显示AMD病变的合成图像的比例.
• 人类分级器对合成图像与真实图像的区分能力有限 (整体准确率为0.66).
• 客观真实度表提高了识别合成图像的准确性,达到0.72.
• 通过GAN生成的图像足够强大,足以挑战专业的人类评分员.

结论:

• GAN模型,特别是在HITL训练下,可以生成非常现实的底部图像,适合增强AMD数据集.
• 拟议的客观真实性尺度有效地帮助区分合成图像和真实的视网膜图像.
• 这些发现支持GAN的潜力,通过克服数据限制来增强人工智能驱动的AMD查工具.