评估合成光盘图像在使用深度学习检测光眼神经病变时的有效性
Abadh K Chaurasia1, Stuart MacGregor2,3, Jamie E Craig4
1Menzies Institute for Medical Research, University of Tasmania, Tasmania, Australia.
Translational vision science & technology
|June 3, 2024
概括
深度学习模型可以使用合成光盘图像检测青光眼. 在合成和真实数据的组合上进行培训,提高了模型性能和临床使用的概括性.
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:
- 深度学习模型需要广泛的数据集来进行强大的青光眼检测.
- 青光斑视神经病变 (GON) 诊断依赖于识别微妙的视神经头部变化.
研究的目的:
- 训练一个对抗模型来生成高质量的合成光学磁盘图像.
- 用合成和混合数据集评估GON检测深度学习模型的性能.
主要方法:
- 深度卷积生成对抗网络 (DCGANs) 用于合成17060个 fundus 图像 (6,874个GON,10,186个健康).
- 训练了两个模型:一个仅在合成图像上,另一个在混合数据集 (合成和真实) 上.
- 进行了外部验证,并使用Grad-CAM分析了模型决策.
主要成果:
- DCGAN成功生成了高质量的合成光盘图像,用于健康的眼睛和眼的眼睛.
- 在混合数据集上训练的模型实现了99.85%的AUC (内部) 和86.45%的AUC (外部验证).
- 格拉德-CAM地图集中在视神经头部,表明临床上相关的注意.
结论:
- 在合成和真实临床图像的混合数据集上训练深度学习模型可以提高对青光眼检测的性能和概括性.
- 将合成数据与现实世界的数据集成,优化了深度学习模型,以改善对青光眼诊断的临床应用.
