新文推荐
使用深度学习模型从眼底彩照生成眼底自发荧光图像
A deep learning model for generating fundus autofluorescence images from color fundus photography
（点击英文标题可直接浏览、下载论文）
Fan Song, Weiyi Zhang, Yingfeng Zheng, Danli Shi*, Mingguang He
香港理工大学
近日，香港理工大学眼视光学院何明光教授研究团队在 “Advances in Ophthalmology Practice and Research” 期刊发表了题为“A deep learning model for generating fundus autofluorescence images from color fundus photographyg” 的论文。宋帆是该论文的第一作者，施丹莉博士为论文的通讯作者。
01
论文导读 Highlight 年龄相关性黄斑变性（AMD）是一种导致中心视力逐渐恶化的疾病，其发病原因与视网膜黄斑区域的损伤有关。AMD在全球范围内约占失明病例的9%，在60岁及以上的人群中尤其常见。因此，早期检测对于预防AMD的进展至关重要。 眼底自发荧光（FAF）是一种很有价值的眼科成像技术，可用于评估视网膜色素上皮（RPE）的代谢变化，且对于检测和评估AMD有显著优势。与眼底彩照 (CF)相比，FAF在临床上的应用仍相对有限。本研究旨在使用一种生成式深度学习（DL）模型，将眼底彩照（CF）转化为合成的FAF图像，并探索其在年龄相关性黄斑变性（AMD）疾病筛查方面的潜力。
本研究使用匹配的CF 和 FAF 图像训练生成对抗网络 (GAN) 模型，从而达到利用CF图像合成FAF 图像的研究目的。我们使用常见的生成指标对合成的 FAF 图像进行客观评估，还使用 LabelMe 数据集测试其在 AMD 分类中的作用。 研究结果表明，我们的生成式深度学习模型首次展示了将 CF 图像转换为可靠的 FAF 图像的方法，其为后续临床应用如大规模 AMD 筛查和辅助医疗决策过程带来可能。
02
论文图表
Fig. 1 流程图。
Fig. 2 真实的和生成的眼底自发荧光 (FAF) 图像示例。
Fig. 3 使用生成的FAF图像与否对于AMD分类的作用。
引用本文
Song F, Zhang W, Zheng Y, Shi D, He M. A deep learning model for generating fundus autofluorescence images from color fundus photography. Adv Ophthalmol Pract Res. 2023;3(4); 192-198 doi: 10.1016/j.aopr.2023.11.001
03
作者介绍
通讯作者 施丹莉 本硕毕业于上海交通大学，博士毕业于中山眼科中心，师从何明光教授。现为香港理工大学视光学院研究助理教授，研究兴趣为多模态人工智能的开发和临床应用。 第一作者 宋帆 住院医师，硕士毕业于浙江大学眼科学，现香港理工大学博士在读，硕士师从姚克教授，博士师从何明光教授，主要从事眼表疾病及人工智能预测眼科疾病等相关研究。先后以一作或共一身份于Chemosphere、TVST、AOPR等英文期刊发表文章。
文编 | 宋帆
编排 | 丁思敏
审核 | 王凯军