通过合成 DR1 图像生成增强早期糖尿病视网膜病变检测：一种 StyleGAN3 方法

糖尿病视网膜病变（DR）是可预防失明的主要原因。在 DR1 阶段进行早期检测至关重要，但受限于高质量眼底图像的稀缺而面临阻碍。本研究使用 StyleGAN3 生成合成 DR1 图像，这些图像具有高保真度和多样性的微动脉瘤特征。旨在解决数据稀缺问题并提升监督分类器的性能。使用包含 2,602 张 DR1 图像的数据集训练模型，随后采用定量指标进行全面评估，包括 Frechet Inception Distance（FID）、Kernel Inception Distance（KID）以及平移（EQ-T）和旋转（EQ-R）的等变性。定性评估包括人类图灵测试，由训练有素的眼科医生评估合成图像的真实感。频谱分析进一步验证了图像质量。模型最终达到 17.29 的 FID 分数，优于通过自助法重采样得出的 21.18 的平均 FID（95% 置信区间 - 20.83 至 21.56）。人类图灵测试证明了模型生成高度逼真图像的能力，尽管在边缘附近观察到了微小的伪影。这些发现表明，StyleGAN3 生成的合成 DR1 图像在扩充训练数据集方面具有广阔前景，能够实现更准确的糖尿病视网膜病变早期检测。该方法突出了合成数据在推进医学成像和 AI 驱动诊断方面的潜力。