面向眼底图像的鲁棒深度学习：桥接真实与合成数据以增强泛化能力
图像与视频处理
2024-04-05 v2 计算机视觉与模式识别
机器学习
摘要
用于评估医学图像的深度学习应用受到限制，因为数据集通常规模小且不平衡。文献中已提出使用合成数据，但既未对不同方法进行稳健比较，也未报告泛化能力。我们的方法集成了视网膜图像质量评估模型和 StyleGAN2 架构，以增强年龄相关性黄斑变性（AMD）检测能力并改善泛化性。本工作比较了十种不同的生成对抗网络（GAN）架构，用于生成有和无 AMD 的合成眼底图像。我们合并了三个公共数据库（iChallenge-AMD、ODIR-2019 和 RIADD）的子集，以构成单一的训练集和测试集。我们采用 STARE 数据集进行外部验证，确保对所提方法的全面评估。结果表明，StyleGAN2 达到了最低的弗雷歇初始距离（166.17），且临床医生无法准确区分真实与合成图像。ResNet-18 架构取得了最佳性能，准确率为 85%，在检测 AMD 眼底图像方面优于两位人类专家（80% 和 75%）。测试集的准确率为 82.8%，STARE 数据集的准确率为 81.3%，证明了模型的泛化能力。所提出的合成医学图像生成方法已通过鲁棒性和准确性验证，其代码可免费获取，以供该领域的进一步研究与开发。
引用
@article{arxiv.2203.13856,
title = {Robust deep learning for eye fundus images: Bridging real and synthetic data for enhancing generalization},
author = {Guilherme C. Oliveira and Gustavo H. Rosa and Daniel C. G. Pedronette and João P. Papa and Himeesh Kumar and Leandro A. Passos and Dinesh Kumar},
journal= {arXiv preprint arXiv:2203.13856},
year = {2024}
}
备注
Accepted by the Biomedical Signal Processing and Control