
-
生物通官微
陪你抓住生命科技
跳动的脉搏
用于提升玻璃体OCT成像效果的深度生成模型
《Scientific Reports》:Deep generative models for enhanced vitreous OCT imaging
【字体: 大 中 小 】 时间:2026年08月29日 来源:Scientific Reports 4.9
编辑推荐:
摘要 本文旨在评估深度学习(DL)模型在提升玻璃体光学相干断层扫描(OCT)图像质量以及潜在缩短采集时间方面的效果。研究采用了条件去噪扩散概率模型(cDDPM)、布朗桥扩散模型(BBDM)、U-Net、Pix2Pix和向量量化生成对抗网络(VQ-GAN)来生成高质量的光谱域(
本文旨在评估深度学习(DL)模型在提升玻璃体光学相干断层扫描(OCT)图像质量以及潜在缩短采集时间方面的效果。研究采用了条件去噪扩散概率模型(cDDPM)、布朗桥扩散模型(BBDM)、U-Net、Pix2Pix和向量量化生成对抗网络(VQ-GAN)来生成高质量的光谱域(SD)玻璃体OCT图像。输入数据为SD ART10图像,输出结果与通过平均每只眼睛位置的十个ART10图像得到的伪ART100图像进行了对比。模型性能通过图像质量指标和视觉图灵测试进行评估,眼科医生对生成图像进行了排名并评价了其解剖结构的一致性。最佳模型的性能在新采集的数据中进行了进一步测试。U-Net获得了最高的峰值信噪比(PSNR:30.230)和结构相似性指数(SSIM:0.820),其次是cDDPM。在感知图像块相似性(LPIPS)方面,Pix2Pix(0.697)和cDDPM(0.753)表现最佳。在首次视觉图灵测试中,cDDPM的排名最高(3.07分);在仅包含最佳模型的第二次测试中,cDDPM的误判率为32.9%,解剖结构保留率为85.7%。在新采集的数据中,cDDPM生成的玻璃体区域在SSIM指标上与ART100参考图像的相似度显著高于真实的ART1或ART10 B扫描结果,并且在整体图像上也有类似的评分。研究结果表明,定量指标与临床评估之间存在差异,这突显了结合两种评估方法的必要性。仅有SSIM指标与临床判断存在显著的正相关性。总体而言,cDDPM在生成具有临床意义的玻璃体OCT图像方面展现出潜力。数据集和代码已公开提供。