64、视网膜图像合成与血管分类技术研究

视网膜图像合成与血管分类技术研究

1. 视网膜图像合成用于CAD开发

1.1 CAD出血检测模型训练

为了测试合成数据在计算机辅助诊断（CAD）开发中的效用，研究人员通过改变训练集内容，训练了4种不同的CAD出血检测（CADH）模型。用E表示带有专家注释的真实图像集，S表示由生成对抗网络（GAN）生成的带有相应病变掩码的合成图像集，考虑的训练集变体如下：
- 仅使用E
- E加上数据增强（E + A）
- E和S
- E、S加上数据增强（E + S + A）

1.2 模型性能评估

计算了在固定阳性预测值（PPV）下的灵敏度（SN）和曲线下面积（AUC）值，结果如下表所示：
| 训练数据（图像数量） | SN（%） | PPV（%） | AUC |
| — | — | — | — |
| E (89) | 63.1 | 79.4 | 0.691 |
| E (89) + A (89) | 70.6 | 79.6 | 0.741 |
| E (89) + S (71) | 79.3 | 79.6 | 0.829 |
| E (89) + S (71) + A (160) | 86.9 | 79.8 | 0.853 |
| E (89) + S (141) + A (230) | 92.7 | 79.4 | 0.912 |
| E (89) + S (71) + A (160)（仅合成图像检测性能） | 84.2 | 80 | 0.834 |

从表格结果可以看出，添加合成数据（E + S）相比仅使用E和E + A，分别将