从非侵入到侵入：基于基准数据集和新型网络的FFA合成增强
图像与视频处理
2024-10-22 v1 计算机视觉与模式识别
摘要
眼底成像是眼科诊断的关键工具，不同成像模态各有优势。例如， Fundus Fluorescein Angiography（FFA）通过提供视网膜血管动力学和病理信息，远超Color Fundus Photograph（CFP），在检测微血管异常和灌注状态方面更具优势。然而，传统的侵入性FFA由于需要注射荧光黄剂，导致患者不适且存在风险。如何从非侵入的CFP合成FFA图像具有重要意义且具有挑战性。先前研究主要在单一疾病类别中聚焦FFA合成。本文我们通过设计一种引导扩散的生成对抗网络，引入自适应和动态扩散前向过程于判别器中，并添加类别感知表示增强器。此外，为促进此项研究，我们收集了首个多疾病CFP和FFA配对数据集，称为Multi-disease Paired Ocular Synthesis（MPOS）数据集，包含四种不同眼底疾病。实验结果表明，我们的FFA合成网络能够生成优于现有SOTA方法的更好FFA图像。进一步，我们引入了配对模态诊断网络来验证合成FFA图像在诊断多种眼底疾病方面的有效性，结果表明，我们合成的FFA图像（与真实CFP图像）的诊断准确率高于其他FFA合成方法。我们的研究弥合了非侵入成像与FFA之间的差距，为提高眼科诊断和患者护理、通过非侵入程序减少对患者的伤害提供了前景。我们的数据集和代码将公开 release 以支持该领域的进一步研究（https://github.com/whq-xxh/FFA-Synthesis）。
引用
@article{arxiv.2410.14965,
title = {Non-Invasive to Invasive: Enhancing FFA Synthesis from CFP with a Benchmark Dataset and a Novel Network},
author = {Hongqiu Wang and Zhaohu Xing and Weitong Wu and Yijun Yang and Qingqing Tang and Meixia Zhang and Yanwu Xu and Lei Zhu},
journal= {arXiv preprint arXiv:2410.14965},
year = {2024}
}
备注
ACMMM 24 MCHM