通过多种生成模型合成新的视网膜症状图像
计算机视觉与模式识别
2019-02-13 v1 人工智能
机器学习
摘要
年龄相关性黄斑变性（AMD）是一种无症状的视网膜疾病，可能导致视力丧失。获取高质量相关视网膜图像的途径有限，且对该疾病子类的界定特征理解不足。受机器学习近期进展的启发，我们具体探索了生成建模（使用生成对抗网络（GAN）与风格迁移）通过特征提取来促进临床诊断与疾病理解的潜力。我们设计了一条分析流水线：首先从临床图像生成合成视网膜图像；随后施加验证步骤。在合成步骤中，我们融合 GAN（DCGAN 与 WGAN 架构）与风格迁移进行图像生成，而验证步骤控制生成图像的准确度。我们发现生成的图像包含充分的病理细节，可辅助眼科医生进行疾病分类及发现疾病相关特征。特别地，我们的系统可预测 AMD 的玻璃膜疣与地图状萎缩子类。此外，基于 CFP 图像使用 GAN 的性能优于仅使用原始临床数据集的分类。我们的结果使用已有的视网膜疾病分类器与类激活图进行评估，支持了合成图像的预测能力及其在特征提取中的效用。我们的代码示例可在线获取。
引用
@article{arxiv.1902.04147,
title = {Synthesizing New Retinal Symptom Images by Multiple Generative Models},
author = {Yi-Chieh Liu and Hao-Hsiang Yang and Chao-Han Huck Yang and Jia-Hong Huang and Meng Tian and Hiromasa Morikawa and Yi-Chang James Tsai and Jesper Tegner},
journal= {arXiv preprint arXiv:1902.04147},
year = {2019}
}