数字射线:使用风格转移生成对抗网络增强白内障底部图像,以改善视网膜病变检测

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:

• 白内障显著损害了 fundus 图像的质量,阻碍了准确的视网膜病变检测.
• 现有的图像增强技术可能无法充分解决白内障引起的图像退化所带来的挑战.

研究的目的:

• 开发和评估使用风格传输生成对抗网络 (GANs) 的数字射线技术.
• 增强白内障底部图像 (色底部照片和超广场图像) 以改善视网膜病变的检测和诊断.

主要方法:

• 利用白内障患者的术前和术后图像对.
• 采用原始的CycleGAN和修改后的C2ycleGAN框架来生成图像.
• 使用Frechet Inception Distance (FID) 和Kernel Inception Distance (KID) 的图像质量进行了定量比较.
• 通过眼科医生的评估来评估模型性能和诊断有效性.

主要成果:

• C2ycleGAN显著提高了图像质量,将不恰当的图像从32%降至18.8% (CFP) 和18.7%降至14.7% (UWF).
• 生成的图像在很大程度上无法识别为合成图像 (24.8%的CFP,13.8%的UWF).
• 视网膜病变检测准确度从78%增加到91% (CFP) 和91%增加到93% (UWF).
• 视网膜病变亚型的诊断准确性也在两种图像类型中得到改善.

结论:

• 开发的数字射线技术有效地产生现实的,增强的术后图像.
• 这种方法提高了视网膜病变检测和亚型诊断的质量和诊断准确性,特别是在彩色 fundus 照片中.
• 这项研究表明了GAN在克服眼科成像挑战方面的潜力.