检索历史 清除

摘要糖尿病视网膜病变（DiabeticRetinopathy）简称糖网，是一种很普遍的由糖尿病所引起的视网膜微血管并发症。随着深度学习的快速发展，基于深度学习的医学图像诊断技术被广泛应用于糖网诊断任务中。深层神经网络的训练往往需要大量有标注样本，而由专业医生标注的眼底图像实际中又常常稀缺，带有确切病灶位置标定的图像更是少之又少，并且不同分级的图像样本的数量十分不均衡，这就限制了深度学习技术在糖网智能诊断中的应用。<br>　　为了缓解有标注的眼底图像稀缺且样本不平衡问题，目前较为有效的方法是基于生成模型的眼底图像生成方法。然而，现有方法过度依赖输入图像的血管结构和病变掩膜，并且忽略了生成图像与真实图像的级别一致性。针对目前研究的不足，本文开展了如下两方面研究工作：<br>　　1)提出基于级别一致性的眼底图像生成模型。该模型以条件生成对抗网络为主干网络，并在其中加入级别一致性和改进的视网膜细节损失，与对抗损失共同约束生成器生成高质量的眼底图像。级别一致性损失用于约束生成图像与真实图像在级别特征上保持一致，即促使生成图像拥有对应级别的病理特征。改进的视网膜细节损失在高级语义特征约束的基础上，加入低级语义特征约束，共同促使生成图像拥有与真实图像一致的生理特征和像素特征。<br>　　2)提出基于非配对图像转换的眼底图像生成模型。该模型从正常眼底图像与糖网图像的转换角度出发，以循环一致性生成对抗网络为原型，无需成对的血管图像和病变掩膜即可完成两者间的相互转换。此外，通过引入通道-空间注意力模块，来提高生成图像的细节质量。最后，利用级别一致性损失、对抗损失及循环一致性损失共同约束模型来学习正常眼底图像与糖网图像间的映射关系。<br>　　上述两种模型都在公开的眼底图像数据集上进行了实验验证，并分别从主观效果以及客观指标两方面进行评价，其中客观指标包括：用于评价生成图像质量和多样性的指标FID和SWD、血管分割正确率和级别准确率。实验结果表明，与现有方法相比，所提模型生成的眼底图像具有良好的视觉效果，且在各客观评价指标上具有比较优势，但在病变特征的表现力方面还有待提高。