重新定义视网膜血管细分:使先进的 fundus 图像分析能够利用 GANs 的潜力
Badar Almarri1, Baskaran Naveen Kumar2, Haradi Aditya Pai3
1Department of Computer Science, College of Computer Sciences and Information Technology, King Faisal University, Alhasa, Saudi Arabia.
Frontiers in medicine
|November 5, 2024
概括
本研究介绍了GANVesselNet,这是一种使用生成对抗网络 (GANs) 进行准确的视网膜血管细分的新型深度学习方法,可以在 fundus 图像中进行准确的视网膜血管细分,改善疾病诊断.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 视网膜血管细分对于从眼底图像诊断眼睛疾病至关重要.
- 深度学习 (DL) 和生成对抗网络 (GANs) 在医学图像分析方面表现有前途.
研究的目的:
- 开发一种新的基于GAN的方法,GANVesselNet,用于增强视网膜血管细分.
- 为了提高视网膜血管细分在 fundus 图像中的准确性和效率.
主要方法:
- 一个专门的GAN架构,GANVesselNet,具有双路径网络 (Auto Encoder-Decoder和UNet启发的路径).
- 利用公开可用的视网膜数据集 (STARE和DRIVE) 进行培训和验证.
主要成果:
- 在STARE数据集上,GANVesselNet实现了优越的灵敏度 (0.8174),特异性 (0.9862) 和准确性 (0.9827).
- 在DRIVE数据集上表现出强的性能 (灵敏度:0.7834,特异性:0.9846,准确度:0.9709).
- 展示了对未见的数据的优秀概括,表明了临床适用性.
结论:
- 在视网膜血管细分精度方面,GANVesselNet提供了显著的进步.
- 拟议的方法增强了 fundus 图像分析,有助于对视网膜疾病的临床决策.
