使用生成对抗网络创建现实的前段光学连贯性断层扫描图像

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:

• 前段光学连贯性断层扫描 (AS-OCT) 对于诊断眼部疾病至关重要.
• 生成高质量的合成AS-OCT图像可以帮助训练AI模型.

研究的目的:

• 开发一个生成对抗网络 (GAN),用于实现高分辨率的AS-OCT图像合成.
• 在机器学习任务中评估生成图像的实用性.

主要方法:

• 基于 A Style 和 WAvelet 的 GAN (SWaN-GAN) 在 142,628 个 AS-OCT B 扫描中受过训练.
• 图像的真实性是通过Fréchet发射距离 (FID) 和专家外科医生评估进行评估的.
• 一个卷积神经网络 (CNN) 用真实和合成数据进行了训练,用于分类.
• 增强的超分辨率GAN (ESRGAN) 用于高分辨率上采样.

主要成果:

• 生成的AS-OCT图像与真实图像具有很高的视觉和定量相似性 (FID: 6.32).
• 外科医生无法可靠地区分真实和生成的图像 (51.7%的准确性).
• 通过合成数据增强,CNN的准确性从78%提高到100%.
• 与双立方插值 (0.4244) 相比,ESRGAN上抽样产生了更好的结果 (LPIS:0.0905).

结论:

• GANs可以生成高清,现实的合成AS-OCT图像.
• 生成的图像适用于机器学习和图像分析中的增强数据集.
• 这种方法有可能推动人工智能驱动的眼科诊断.