フルオレセイン血管造影および光コヒーレンストモグラフィー黄斑厚マップ画像変換のための深層学習

糖尿病性黄斑浮腫 (DME) は、糖尿病患者の視覚障害の主な原因の 1 つです。 フルオレセイン血管造影 (FA) は、糖尿病性網膜症 (DR) のステージングと網膜血管系の評価に重要な役割を果たします。 ただし、FA は侵襲的な技術であり、網膜血管系の正確な可視化を許可しません。 光コヒーレンストモグラフィー (OCT) は、DR の診断と監視、およびそのレーザー、内科、外科的治療で一般的になった非侵襲的技術です。 網膜の厚さと黄斑の浮腫の位置を定量的に評価します。 自動化された OCT 網膜厚マップは、DME とその治療への反応を監視するために日常的に使用されています。 ただし、標準的な OCT は構造情報のみを提供するため、網膜血管系内の血流を描写しません。 FA の生理学的情報を OCT の構造情報と組み合わせることで、漏出のゾーンを網膜の構造変化と関連付けることができ、さまざまな治療法に対する DME の応答をより適切に評価および監視できます。 いずれかの画像診断法が時折利用できなくなると、DME 患者のフォローアップ中の意思決定が損なわれる可能性があります。

医療データ生成、特に画像の問題は非常に興味深いものであり、特に深層畳み込みニューラル ネットワーク (DCNN) の出現により、近年、ほとんどの機械学習で標準的なアプローチになりつつあるため、深く研究されています。パターン認識や画像分類などのタスク。 敵対的生成ネットワーク (GAN) は、生成ネットワークと識別ネットワークが同時にトレーニングされるニューラル ネットワーク モデルです。 統合されたネットワーク パフォーマンスにより、新しいもっともらしい画像サンプルが効果的に生成されます。

この作業の目的は、元の FA から合成 OCT の色分けされた黄斑の厚さマップへの画像変換とその逆 (元の OCT の色分けされた黄斑の厚さマップから合成 FA 画像への変換) の pix2pix 画像変換を実装する GAN の有効性を評価することです。 .