Retinal OCT Synthesis with Denoising Diffusion Probabilistic Models for Layer Segmentation

要約

深層学習を使用した最新の生物医学画像分析では、注釈付きデータが限られているという課題に直面することがよくあります。
この問題を克服するには、深い生成モデルを使用して現実的な生物医学画像を合成できます。
この点において、我々は、網膜光干渉断層撮影法（OCT）画像を自動的に生成するために、ノイズ除去拡散確率モデル（DDPM）を利用する画像合成方法を提案する。
大まかなレイヤー スケッチを提供することで、トレーニングされた DDPM は現実的な乳頭周囲 OCT 画像を生成できます。
さらに、知識適応を通じてより正確な擬似ラベルを取得できることがわかり、これはセグメンテーション タスクに大きな利益をもたらします。
これにより、レイヤー セグメンテーションの精度が一貫して向上していることが観察され、これはさまざまなニューラル ネットワークを使用して検証されています。
さらに、合成画像のみを使用してトレーニングされたレイヤー セグメンテーション モデルが、実際の画像のみを使用してトレーニングされたモデルと同等の結果を達成できることも発見しました。
これらの発見は、網膜 OCT 画像への手動アノテーションの必要性を軽減する DDPM の有望な可能性を示しています。

要約(オリジナル)

Modern biomedical image analysis using deep learning often encounters the challenge of limited annotated data. To overcome this issue, deep generative models can be employed to synthesize realistic biomedical images. In this regard, we propose an image synthesis method that utilizes denoising diffusion probabilistic models (DDPMs) to automatically generate retinal optical coherence tomography (OCT) images. By providing rough layer sketches, the trained DDPMs can generate realistic circumpapillary OCT images. We further find that more accurate pseudo labels can be obtained through knowledge adaptation, which greatly benefits the segmentation task. Through this, we observe a consistent improvement in layer segmentation accuracy, which is validated using various neural networks. Furthermore, we have discovered that a layer segmentation model trained solely with synthesized images can achieve comparable results to a model trained exclusively with real images. These findings demonstrate the promising potential of DDPMs in reducing the need for manual annotations of retinal OCT images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google