深度学习辅助成像方法,以促进对眼科远程病理学的访问
Andrew W Browne1,2,3, Geunwoo Kim4, Anderson N Vu2
1Department of Ophthalmology, Gavin Herbert Eye Institute, University of California, Irvine, California.
Ophthalmology science
|February 8, 2024
概括
这项研究开发了一个Denoising扩散概率模型 (DDPM) 用于超分辨率成像在远程病理学. DDPM方法有效地增强了眼科病理幻灯片图像,减少了昂贵设备的需求.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 数字健康数字健康
背景情况:
- 远程病理学使组织样本的远程诊断成为可能.
- 高分辨率成像对于准确的病理学至关重要,但往往需要昂贵的设备.
- 超分辨率技术提供了一个潜在的解决方案,可以从低成本系统中提高图像质量.
研究的目的:
- 调查超分辨率成像技术在远程病理学应用中的有效性.
- 开发和评估一个Denoising扩散概率模型 (DDPM),用于生成超分辨率的眼科病理图像.
- 评估使用低成本商用摄像机与先进的成像算法结合使用的可行性.
主要方法:
- 一个Denoising扩散概率模型 (DDPM) 已开发用于超分辨率预测病理幻灯片.
- 在DDPM的预训练中,使用来自ImageNet.Net的大型数据集 (15万张图像) 来进行预训练.
- 用客观指标 (MSE,SSIM) 和专家病理学家评分来对比生成对抗网络 (GAN) 和强大的UNet进行了绩效评估.
主要成果:
- 基于DDPM的方法以1.35e-5的平均平方误差 (MSE) 和0.8987.7的结构相似度指数 (SSIM) 实现了卓越的性能.
- 专家评估显示,从超分辨率输出中识别正确的地面真相图像的准确性是可变的,但有希望的.
- 该模型在客观和主观评估方面都表现出有效性.
结论:
- 带有预训练的DDPM对眼科病理幻灯片的超分辨率预测有效.
- 这种方法可以减少对昂贵的幻灯片扫描仪的依赖.
- 这种方法有可能简化临床工作流程并扩大眼科远程病理学服务.
