超广场到常规的基底图像翻译,具有缩放特征注册和扭曲容器纠正

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 传统的 fundus (CF) 和超宽场 fundus (UF) 成像在眼科中至关重要.
• 现有的 fundus 图像翻译方法缺乏临床可行性,准确性和细节性.
• 配对数据收集是有限的,不配对的模型会导致像幻觉这样的扭曲.

研究的目的:

• 通过深度学习提高眼科诊断支持.
• 开发一种将UF图像 (UFI) 转换为CF图像 (CFI) 的方法.
• 潜在地取代双成像方法,减少患者的财务和时间负担.

主要方法:

• 从同一个患者获得的同一天的UFI-CFI图像对,以尽量减少扭曲.
• 雇佣规模化的功能注册和扭曲的容器纠正,以实现有效的对齐.
• 为UFI转换为CFI开发了一种增强的模式转换方法.

主要成果:

• 生成的CFI显示出更好的图像质量和更好的视网膜区域表示.
• 从UFI中保存了关键的与疾病相关的细节,以便准确诊断.
• 与现有方法相比,MSE减少了18.2%,PSNR增加了7.2%,SSIM改善了12.7%.

结论:

• 拟议的方法显著提高了 fundus 图像翻译的准确性和细节的保存.
• 生成的CFI几乎无法与真正的CFI区分,由眼科医生验证.
• 该技术为双成像提供了一个有前途的替代方案,提高了临床效率和患者护理.