基于去噪扩散模型的眼前段光学相干断层扫描图像生成及其在眼科AI中的应用研究

《International Ophthalmology》：Denoising diffusion-based anterior segment optical coherence tomography (AS-OCT) image generation

本研究针对眼科中标注眼前段光学相干断层扫描（AS-OCT）数据集稀缺的难题，由研究人员采用去噪扩散生成对抗网络（DD-GANs）生成合成AS-OCT图像。通过构建包含健康/病变两类的高质量数据集（FID评分达0.17-0.23），并验证其在ResNet-50模型训练中达到与真实数据相当的效果，为医学图像分析提供了数据平衡且隐私安全的解决方案。

　　

在眼科医学影像研究领域，标注完整的眼前段光学相干断层扫描（Anterior Segment Optical Coherence Tomography, AS-OCT）图像数据集严重匮乏，这制约了相关预测模型的开发。为应对数据稀缺与类别不平衡的挑战，一项新研究创新性地采用去噪扩散生成对抗网络（Denoising Diffusion Generative Adversarial Networks, DD-GANs）来生成高质量的合成AS-OCT图像。

研究团队从一家三级转诊医院获取真实AS-OCT图像，并分别训练了两个DD-GAN模型——一个用于生成健康图像，另一个用于生成病变图像。所生成的合成数据集从规模和图像质量两方面进行了系统评估：不仅创建了包含1.57万张图像（6800张健康、8900张病变）的较小规模数据集，还生成了包含10万张图像（健康与病变各5万）的大规模数据集。采用弗雷谢起始距离（Fréchet Inception Distance, FID）和起始分数（Inception Score）进行量化评价，健康图像的FID得分为0.17，病变图像为0.23，起始分数则分别为1.46和1.55，这些指标一致表明合成图像具有高度真实性与多样性。

为进一步验证合成数据的实用性，研究人员分别使用真实数据集和合成数据集训练了ResNet-50分类模型，并让模型在对方的测试集上进行交叉验证。结果表明，基于合成数据训练的模型达到了与基于真实数据训练的模型相当的性能水平，证明合成数据可以有效支持机器学习模型的开发。

这项研究证实，DD-GANs能够生成逼真的AS-OCT图像，创造出高质量、类别平衡的数据集，从而有效缓解眼科领域中数据不足和不平衡的问题。此类合成数据集不仅能推动医学图像分析技术的进步，还因使用人工生成数据替代真实患者数据，在保护患者个人隐私与数据机密性方面具有显著优势。