扩散模型生成具有结构现实性的视网膜底部图像
通过提出一种新颖的去噪扩散概率模型(DDPM),该研究优于基于生成对抗网络(GAN)的图像合成方法,结合 Retinal Trees 数据集和 DDPM 算法,生成了视网膜图像和血管树的合成样本,并通过各种评估指标对该数据集进行了定量和定性的评估。
Aug, 2023
本文提出了一种通过血管分割技术直接从数据中学习综合眼底图像的方法,并使用基于对抗学习的图像转换技术将二进制血管树映射到新的视网膜图像,其实验结果以定量方法证实生成的图像保留了真实图像集合的大部分质量。
Jan, 2017
使用扩散模型和对抗性强大的分类器结合生成高度逼真的反事实性的视网膜底部图片和光学相干断层扫描 (OCT) B 扫描图像,专家从用户研究中发现,与先前的方法生成的反事实图片相比,使用我们的方法生成的反事实图片更为逼真,甚至难以区分真实图片。
Nov, 2023
利用眼底数字成像技术,通过主动学习构建了一个新的数据集,其中包含由医学生及眼科医师审查的 240 个手动分割的视网膜小动脉和小静脉,开发了一种名为 LUNet 的新型深度学习架构,用于高分辨率的动静脉分割,并证明 LUNet 在多个测试集上显著优于其他分割算法。
Sep, 2023
本文提出了一种对比变分自编码器,可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管,并且通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到了提高,可以在不同的目标领域生成稳定的血管造影,提供了一种良好的可视化方法,是荧光素血管造影的一个无创、安全的替代方法。
Jul, 2023
视网膜血管分割是通过眼底图像提取临床相关信息的方法。我们在迄今为止最大的公开数据集上为文献中常用的各种架构和训练选择提供了严格的基准,并评估了五个已发布的模型在公开可用的 FIVES 眼底图像数据集上的性能,同时比较了不同模型架构在不同损失函数、图像质量水平和眼科疾病条件下的性能表现,并评估了它们在面对疾病诱导的领域转变时的能力。当具备足够的训练数据时,基本架构如 U-Net 的性能可以媲美更先进的架构,并且对于大多数架构,跨疾病诱导的领域转变通常表现良好。然而,我们发现图像质量是决定分割结果的关键因素。在优化分割性能时,将一个标准架构与高质量的数据集相结合比在较小或图像质量较低的数据集上调整复杂架构的效果更好。因此,我们从临床相关性的角度上总结了架构进展的实用性,为根据临床环境情况选择模型提供了实际指导。
Jun, 2024
通过扩充小规模或不平衡数据集来生成高质量的影像,本研究提出了一种扩散模型来实现解剖结构控制的医学影像生成,有别于现有模型,该模型在每个采样步骤中遵循多类解剖学分割掩模,并采用随机掩模消融算法来实现对所选解剖约束的条件控制。在乳腺磁共振成像和腹部 / 颈至骨盆 CT 数据集上进行比较评估,验证了本模型对于解剖结构真实性和掩模准确性的优越性。此外,我们提供易于使用的代码库并发布了一个生成的成对乳腺磁共振成像数据集,该方法具有多种应用,包括预注册影像生成和反事实情境分析等。
Feb, 2024
本文提出了一种新的条件生成对抗网络(GAN),能够同时从眼底照片中合成荧光素血管造影图像,并预测视网膜退化,从而解决了以非侵 asive 的方式对眼底血管成像以及预测视网膜异常的问题。
Apr, 2021
通过使用来自光学相干断层扫描血管造影 (OCTA) 的图像训练 AI 算法,我们可以通过标准的结构性光学相干断层扫描 (OCT) 图像来生成血管图,且模型的性能在微血管灌注方面与 OCTA 不相上下,表现明显优于专家临床医生的操作水平,并绕过了专家标注的负担和限制。这为医学成像提供了一种新的应用方法。
Feb, 2018