潜在空间自编码器生成对抗模型用于视网膜图像合成和血管细分
1School of Electronics Engineering, Vellore Institute of Technology, Vellore, India.
BMC medical imaging
|May 5, 2025
概括
使用生成对抗网络 (GAN) 生成合成视网膜图像解决了训练深度学习模型的有限数据的挑战. 这种方法提高了糖尿病视网膜病变细分的准确性,这对于早期发现和治疗疾病至关重要.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机视觉 计算机视觉 计算机视觉
- 医疗保健中的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 需要精确的视网膜血管细分,以便及时诊断和监测.
- 针对DR细分的深度学习模型需要大量的注释数据集,这些数据集往往很少.
- 现有的方法面临挑战,因为缺乏足够的实地真相数据进行培训.
研究的目的:
- 开发一种产生现实的合成视网膜底图像和相应的细分面具的方法.
- 为了克服数据稀缺的问题,训练视网膜血管细分的深度学习模型.
- 评估合成数据在改善糖尿病视网膜病变检测细分性能方面的有效性.
主要方法:
- 使用生成对抗网络 (GAN) 与隐藏空间自动编码器进行图像合成.
- 从管状结构注释生成各种视网膜底图像和二进制面具.
- 使用DRIVE,STARE和CHASE_DB数据集进行数据合成和验证.
- 使用生成的合成数据,训练并测试了一种用于视网膜血管细分的UNet模型.
主要成果:
- 提出的方法成功生成了现实的视网膜底图像和准确的二进制面具.
- 合成数据显著改善了UNet模型的细分性能.
- 在合成数据上训练的模型表现出与在标准数据集上训练的模型相比的或更好的结果.
- 在多个基准数据集中验证了方法的有效性.
结论:
- 通过GANs生成的合成数据是增强有限的医学成像数据集的可行和有效解决方案.
- 这种方法具有显著的潜力,可以提高医学图像分析中的深度学习模型的准确性和通用性.
- 该方法有助于开发可靠的工具,用于早期检测和治疗糖尿病视网膜病变.
