探索领域特定基础模型深度特征在视网膜图像合成中的有效性

神经网络模型在医学成像中的应用受到严格的隐私法规、有限的数据可用性、高获取成本和人口偏见的制约。深度生成模型提供了一种有前景的解决方案，通过生成合成数据来规避隐私问题，并通过为代表性不足的群体生成样本来解决公平性问题。然而，与自然图像不同，医学成像不仅需要保真度（如 Fréchet Inception Score）的验证，还需要形态学和临床准确性的验证。这一点对彩色眼底视网膜成像尤其如此，因为它需要精确复制视网膜血管网络，包括血管拓扑、连续性和厚度。在本研究中，我们探讨了基于在大规模领域数据语料库上训练的大型基础模型的深度激活层的距离损失函数，是否在彩色眼底成像中优于感知损失和基于边缘检测的损失函数。我们基于领域无关和领域特定任务的广泛验证流程表明，领域特定的深度特征并不能改善自编码器图像生成。相反，我们的发现突出了传统边缘检测滤波器在提高合成样本中血管结构锐度方面的有效性。