Fundus2Video：基于临床知识指导的静态眼底摄影跨模态血管造影视频生成
内容提要
本文介绍了一种新型条件生成对抗网络（GAN），用于从眼底照片合成荧光素血管造影图像，并预测视网膜退化。同时，研究提出了高质量的合成数据集SynFundus-1M，包含超过100万张视网膜图像，旨在改善眼部疾病的诊断和预防。通过优化模型和数据集，提升了糖尿病视网膜病变的检测可靠性。
延伸解读
合成数据如何缓解医学影像隐私困境
医学影像领域常因隐私限制难以获取大规模数据集，这阻碍了大型模型的开发。本文提出的SynFundus-1M包含超过100万张合成视网膜图像，由去噪扩散概率模型生成，其FID分数优于现有方法，且眼科医生难以区分合成与真实图像。使用该数据集预训练或直接训练CNN和ViT，模型在下游任务上表现更好且收敛更快，为隐私受限下的数据增强提供了可行路径。
从眼底照片到血管造影：无创生成的价值
荧光素血管造影是眼底血管成像的常用方法，但具有侵入性。本文提出的条件GAN能够从眼底照片合成荧光素血管造影图像，并预测视网膜退化，从而以非侵入方式实现血管成像和异常预测。类似地，后续研究利用生成性AI从超广角彩色眼底图像生成超广角荧光血管造影图像，使糖尿病视网膜病变分类的AUROC从0.869提升至0.904，显示了生成图像在提升诊断可靠性方面的潜力。
模型架构与数据质量：哪个对分割性能更关键？
一项基准研究在最大公开数据集上评估了多种视网膜血管分割架构。结果显示，当训练数据充足时，基本架构如U-Net的性能可媲美更先进的架构，且大多数架构对疾病诱导的领域转变表现良好。然而，图像质量是决定分割结果的关键因素。将标准架构与高质量数据集结合，比在较小或低质量数据集上调整复杂架构更有效，这为临床环境中选择模型提供了实际指导。
Q&A
Fundus2Video的主要功能是什么？
Fundus2Video是一种新型条件生成对抗网络（GAN），能够从眼底照片合成荧光素血管造影图像，并预测视网膜退化。
SynFundus-1M数据集的特点是什么？
SynFundus-1M是一个高质量的合成数据集，包含超过100万张视网膜图像，旨在改善眼部疾病的诊断和预防。
如何提高糖尿病视网膜病变的检测可靠性？
通过优化模型和使用高质量的合成数据集SynFundus-1M，研究提升了糖尿病视网膜病变的检测可靠性。
生成的UWF-FA图像对糖尿病视网膜病变分类有什么影响？
生成的UWF-FA图像显著提高了糖尿病视网膜病变分类的AUROC值，从0.869提升至0.904。
研究中使用了哪些技术来评估糖尿病视网膜病变？
研究使用了光学相干断层扫描血管造影技术（OCTA）对糖尿病视网膜病变进行自动评估。
如何实现视网膜底图像的控制性生成？
通过引入新的人群模型和解缠结损失函数，研究实现了视网膜底图像的控制性和高度逼真的生成。
