合成视网膜图像生成的WGAN-GP:用于分类模型的增强基于传感器的医学成像
Héctor Anaya-Sánchez1, Leopoldo Altamirano-Robles1, Raquel Díaz-Hernández2
1Computer Science Department, Instituto Nacional de Astrofísica Óptica y Electrónica, Luis Enrrique Erro No. 1, Sta. María Tonantzintla, Puebla 72840, Mexico.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
这项研究引入了一种用于生成合成医疗图像的新方法,以应对糖尿病视网膜病变分类中的数据稀缺性. 这种方法显著提高了生成的视网膜图像的质量和现实性,有助于诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 数据稀缺是医学图像分类的一个主要挑战.
- 精确的合成图像生成对于改善诊断模型至关重要.
- 糖尿病视网膜病变的分类需要高质量,多样化的数据集.
研究的目的:
- 开发一种用于生成高质量的合成医学图像的新方法,用于糖尿病视网膜病变的分类.
- 提高训练数据集使用现实的视网膜图像与保存的病理特征.
- 为了解决传感器衍生医学成像中的数据短缺问题.
主要方法:
- 使用了瓦斯斯坦生成对抗网络与梯度惩罚 (WGAN-GP).
- 整合了近邻插值用于图像生成.
- 在多个视网膜图像数据集 (视网膜损伤,FGADR,IDRiD,Kaggle) 上评估了性能.
主要成果:
- 与传统的生成模型 (例如,条件GAN,PathoGAN) 相比,实现了更高的性能.
- 在Kaggle数据集上获得了优秀的指标:FID为15.21,MSE为0.002025,SSIM为0.89.
- 专家评估显示,只有56.66%的合成图像可以与真实图像区分开来,这表明高保真度.
结论:
- 提出的基于WGAN-GP的方法有效地产生现实的合成视网膜图像.
- 这种方法通过提供高准确性,多样化的训练数据来增强医疗图像分类.
- 该方法显示了改善糖尿病视网膜病变诊断和其他医学成像任务的巨大潜力.
