Ранняя диагностика с помощью регулярного скрининга важна для предотвращения диабетической ретинопатии (ДР), но офтальмологам требуется много времени для диагностики.
Исследователи из Шэньчжэньского института передовых технологий (SIAT) Академии наук Китая предложили многоканальную генеративную состязательную сеть (MGAN) с полуконтролем для автоматической оценки DR.
Предыдущие исследования SIAT показали, что компьютерная система диагностики с использованием технологии глубокого обучения может реализовывать высокоуровневые функции обучения на изображениях DR и автоматически анализировать возможности DR.
Однако модели глубокого обучения обычно обучаются на большом количестве помеченных данных DR. Для процесса маркировки изображений DR, для классификации DR требуется, чтобы врач извлекал поражения и измерял площадь поражений вручную, что отнимает много времени. Из-за отсутствия высококачественных маркированных данных в реальных приложениях трудно применить общий метод глубокого обучения для диагностики DR.
Вновь предложенный метод решил эти трудности, и он мог в полной мере использовать помеченные и немаркированные данные для автоматического распознавания DR без потери первоначальных функций DR.
Чтобы справиться с проблемой, заключающейся в том, что эффективные функции DR размыты на изображениях глазного дна высокого разрешения, исследователи разработали многоканальную модель GAN , которая могла бы генерировать серию изображений подфондуса, включая эффективные локальные функции. Все изображения субфундуса были затем объединены, чтобы получить наиболее представительные характеристики всего изображения глазного дна.
Кроме того, исследователи включили схему извлечения признаков в предлагаемую многоканальную структуру GAN. Эта схема уменьшала помехи от исходных изображений глазного дна и извлекала признаки рассеянного повреждения, улучшая производительность дискриминатора.
Чтобы продемонстрировать преимущества предложенного метода, исследователи использовали 100 меченых образцов DR и большое количество немеченых образцов DR для обучения модели.
Результаты показали, что предложенная модель может иметь дело с проблемой классификации, когда помеченные образцы были ограничены, и превзошла другие репрезентативные модели с точки зрения точности, площади под кривой, чувствительности и специфичности.