一个深度学习模型,用于从彩色底部摄影生成底部自流光图像
Fan Song1,2, Weiyi Zhang1,2, Yingfeng Zheng3
1Experimental Ophthalmology, School of Optometry, The Hong Kong Polytechnic University, Hong Kong, China.
Advances in ophthalmology practice and research
|December 7, 2023
概括
本研究介绍了一种深度学习模型,该模型从彩色基底 (CF) 图像中创建合成基底自流光 (FAF) 图像. 这种方法提高了与年龄相关的黄斑变性 (AMD) 查的准确性.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 眼底自光成像 (FAF) 评估了视网膜色素表皮 (RPE) 的代谢变化.
- FAF对于诊断与年龄有关的和与疾病有关的视网膜疾病至关重要.
- 在临床实践中,FAF成像的实用性继续扩大.
研究的目的:
- 评估深度学习 (DL) 模型在从色底图像 (CF) 中生成合成FAF图像的有效性.
- 探索DL生成的FAF图像在改善与年龄相关的黄斑变性 (AMD) 查方面的潜力.
- 评估合成FAF图像的质量和临床实用性.
主要方法:
- 一个生成对抗性网络 (GAN) 模型使用配对的CF和FAF图像进行训练.
- 使用标准指标对合成的FAF图像进行客观质量评估.
- 在LabelMe数据集上对生成的FAF图像进行AMD分类的临床评估,测量曲线下的面积 (AUC).
主要成果:
- 这项研究分析了来自2586名患者的8410张FAF图像.
- 合成的FAF图像获得了高客观质量,多尺度结构相似度指数 (MS-SSIM) 为0.67.
- 当结合生成的FAF和CF图像时,AMD分类的准确性显著提高 (AUC从0.931增加到0.968).
结论:
- 这项研究标志着首次使用生成DL模型从CF图像创建高质量的FAF图像.
- 将翻译的FAF图像与CF图像集成,提高了AMD分类的准确性.
- 拟议的方法有望提高大规模的AMD查效率.
