
-
生物通官微
陪你抓住生命科技
跳动的脉搏
协作迁移学习生成对抗网络在不共享原始图像条件下生成合成荧光素钠角膜图像以增强跨机构干眼症分级
《Scientific Reports》:Privacy-preserving collaborative transfer learning with generative adversarial networks (CTL-GAN) for classification of dry eye disease
【字体: 大 中 小 】 时间:2026年10月21日 来源:Scientific Reports 4.9
编辑推荐:
摘要本研究探讨了协作迁移学习生成对抗网络(CTL-GAN)能否生成合成荧光素钠角膜图像,并在不同机构间增强多类别干眼症(DED)分级。我们回顾性纳入了三星医疗中心(SMC)1,600例干眼症患者的荧光素钠染色眼前节图像,以及中山大学(SYSU)公开数据集中的260张图像,均按
本研究探讨了协作迁移学习生成对抗网络(CTL-GAN)能否生成合成荧光素钠角膜图像,并在不同机构间增强多类别干眼症(DED)分级。我们回顾性纳入了三星医疗中心(SMC)1,600例干眼症患者的荧光素钠染色眼前节图像,以及中山大学(SYSU)公开数据集中的260张图像,均按牛津量表进行分级。使用SMC数据训练的StyleGAN3生成器生成合成图像。将预训练生成器权重迁移至以SYSU数据集代表的模拟站点,并在本地图像上进行微调,且不交换原始图像。将基于GAN数据增强的DenseNet分类器与仅使用真实图像训练的基准模型进行比较。GAN数据增强将SMC数据的验证准确率从64.2%提升至75.5%,迁移预训练权重将SYSU的验证准确率从41.4%提升至66.3%。峰值信噪比(PSNR 13.95 ± 1.54 dB)、结构相似性指数(SSIM 0.428 ± 0.111)和学习的感知图像块相似度(LPIPS 0.510 ± 0.047)显示合成图像与真实图像的相似度较低。在一项盲法10题多项选择题真实感调查中,37名眼科医生在28.4%的案例中正确作答,而随机猜测水平为20%。CTL-GAN表明,通过共享生成器权重进行图像合成,可以在不交换患者图像的情况下改善外部干眼症分级。