VSG-GAN:一种高保真度图像合成方法,在视网膜底部图像中进行语义操纵

科学领域:

• 眼科医生 眼科 眼科
• 计算机科学 计算机科学
• 医疗成像医学成像

背景情况:

• 机器学习和深度学习显著提升了用于疾病检测的视网膜图像分析.
• 视网膜成像方面的挑战包括有限的数据集多样性和不平衡的样本,阻碍了模型训练.

研究的目的:

• 引入血管和风格导向的生成对抗网络 (VSG-GAN),以解决视网膜图像数据集多样性和平衡的局限性.
• 改进产生现实和多样化的视网膜图像,以改善疾病诊断.

主要方法:

• 开发了VSG-GAN,一个生成对抗网络 (GAN),将视网膜图像生成解成血管骨架和背景风格模块.
• 使用风格转换,GAN反转,以及一个层次变异自动编码器来生成多种图像.
• 包含一个空间自适应的非规范化模块,以实现输入-输出一致性.

主要成果:

• VSG-GAN在多个评估指标 (SSIM,IS,FID,KID) 上展示了在MESSIDOR和RITE数据集上比现有方法更好的性能.
• 该模型有效地解决了数据集的限制和不平衡,产生多样化和现实的视网膜图像.
• 用VSG-GAN增量改善了糖尿病视网膜病变分类的准确性.

结论:

• VSG-GAN提供了一种创新的解决方案,用于生成多样化和现实的视网膜图像,克服医学成像中常见的数据挑战.
• 拟议的方法增强下游机器学习任务,如糖尿病视网膜病变的分类,提高诊断准确度.