基于 CycleGAN 的光学相干断层扫描视网膜分割域适应
图像与视频处理
2021-07-07 v1 计算机视觉与模式识别
机器学习
摘要
随着美国食品药品监督管理局(FDA)批准人工智能(AI)用于即时临床诊疗,模型的可泛化性至关重要,因为临床决策必须不受域限制。解决该问题的一种方法是扩充数据集以纳入来自多个域的图像;尽管这一技术最为理想,但医疗数据的安全要求是一大限制。此外,拥有已开发工具的研究人员受益于开源数据的加入,却受限于域间差异。为此,我们研究了利用循环一致性生成对抗网络(CycleGAN)对光学相干断层扫描(OCT)体数据进行域适应的实现。本研究与西蒙弗雷泽大学的生物医学光学研究组和结构与功能成像及形状分析实验室合作完成。在此研究中,我们探究了一种基于学习的方法,将公开可用数据集 UK Biobank 数据集(UKB)的域进行适应。为评估域适应性能,我们采用了在不同 RETOUCH OCT 数据上开发的已有视网膜层分割工具。本研究对比传统处理技术,提供了关于最先进域适应工具的见解,以及将公开视网膜数据适应到合作者先前所用域的流水线。
引用
@article{arxiv.2107.02345,
title = {Domain Adaptation via CycleGAN for Retina Segmentation in Optical Coherence Tomography},
author = {Ricky Chen and Timothy T. Yu and Gavin Xu and Da Ma and Marinko V. Sarunic and Mirza Faisal Beg},
journal= {arXiv preprint arXiv:2107.02345},
year = {2021}
}
备注
10 pages, 6 figures, 1 table