创建现实的基底照片,以改进疾病的自动分类
Prashant U Pandey1, Jonathan A Micieli2,3,4, Stephan Ong Tone2,3,5,6
1School of Biomedical Engineering, The University of British Columbia, Vancouver, British Columbia, Canada.
The British journal of ophthalmology
|February 12, 2025
概括
否定扩散概率模型 (DDPMs) 产生了现实的视网膜图像,改善了深卷积神经网络 (CNN) 疾病分类性能,而不需要更多的真实患者数据.
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:
- 深层卷积神经网络 (CNN) 在分类视网膜疾病方面表现有前途.
- 生成现实的医疗图像对于人工智能模型培训至关重要.
- 否定扩散概率模型 (DDPMs) 是一种先进的生成模型.
研究的目的:
- 评估DDPM是否可以创建真实的视网膜图像.
- 评估这些生成的图像是否可以提高CNN对视网膜疾病分类的性能.
- 将人工智能性能与视网膜疾病检测方面的人类专家进行比较.
主要方法:
- 经过训练,DDPM能够生成用于糖尿病视网膜病变,与年龄相关的黄斑变性和玻璃眼的视网膜底图像.
- 眼科医生评估生成图像的现实性,并进行疾病分类.
- 生成的图像被用来增强CNN合唱团的训练数据.
主要成果:
- 眼科医生在区分真实的视网膜图像和生成的视网膜图像方面达到61.1%的准确性.
- 增加238张生成图像的CNN培训显著改善了分类F-score (5.3%) 和准确性 (5.8%).
- 增强的CNN模型表现优于仅在真实图像上训练的基线.
结论:
- DDPM成功生成了高度现实的视网膜图像,经过专家眼科医生的验证.
- 将合成视网膜图像纳入训练数据集可以提高CNN疾病分类的性能.
- 这种方法增强了诊断AI,而不需要额外的真实患者数据,解决了数据稀缺问题.
