基于物理的深度生成学习用于对视网膜的定量评估

科学领域:

• 眼科和医学成像学
• 医疗保健中的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 视网膜血管系统的破坏是危及视力疾病的关键因素,如糖尿病视网膜病变和黄斑变性.
• 对视网膜血管的准确表征对于诊断和监测这些疾病至关重要.
• 目前用于视网膜血管细分的方法往往需要手动输入,并且可以通过自动化方法来超越性能.

研究的目的:

• 开发一种新的算法方法,用于生成人类视网膜血管系统的现实数字模型.
• 利用物理信息生成对抗网络 (PI-GAN) 进行视网膜血管的自动细分和重建.
• 评估PI-GAN方法与人类标签和现有数据集的性能.

主要方法:

• 开发了一种基于物理的生成对抗网络 (PI-GAN) 模型,该模型包含生物物理原理用于船舶网络生成.
• 在模拟视网膜血管系统的小数据集 (n=100) 上训练PI-GAN模型.
• 应用训练PI-GAN模型从DRIVE和STARE视网膜照片数据集对血管网络进行细分和重建.

主要成果:

• PI-GAN方法成功地生成了视网膜血管系统的高度现实的,完全连接的数字模型.
• 实现了血管网络的自动细分和重建,而没有人为投入.
• 在公共数据集 (DRIVE和STARE) 上获得了近乎最先进的船舶细分性能.
• 与人类标签相比,PI-GAN方法显示出更高的性能.

结论:

• 基于物理的生成对抗网络 (PI-GAN) 为准确的视网膜血管表征提供了强大的工具.
• 这种人工智能驱动的方法在改善早期疾病检测和监测视网膜状况方面具有重大潜力.
• 这些发现表明,通过更精确地分析视网膜血管健康,可以改善患者护理.