A Dual-Discriminator Fourier Acquisitive GAN for Generating Retinal Optical Coherence Tomography Images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Optical coherence tomography (OCT) images are widely used for clinical examination of the retina. Automatic deep learning-based methods have been developed to classify normal and pathological OCT images. However, lack of the big enough training data reduces the performance of these models. Synthesis of data using generative adversarial networks (GANs) is already known as an efficient alternative to increase the amount of the training data. However, the recent works show that despite high structural similarity between synthetic data and the real images, a considerable distortion is observed in frequency domain. Here, we propose a dual discriminator Fourier acquisitive GAN (DDFA-GAN) to generate more realistic OCT images with considering the Fourier domain similarity in structural design of the GAN. By applying two discriminators, the proposed DDFA-GAN is jointly trained with the Fourier and spatial details of the images and is proven to be feasible with a limited number of training data. Results are compared with popular GANs, namely, DCGAN, WGAN-GP, and LS-GAN. In comparison, Fréchet inception distance (FID) score of 51.30, and Multi Scale Structural Similarity Index Measure (MS-SSIM) of 0.19 indicate superiority of the proposed method in producing images resembling the same quality, discriminative features, and diversity, as the real normal and Diabetic Macular Edema (DME) OCT images. The statistical comparison illustrates this similarity in the spatial and frequency domains, as well. Overall, DDFA-GAN generates realistic OCT images to meet requirements of the training data in automatic deep learning-based methods, used for clinical examination of the retina, and to improve the accuracy of the subsequent measurements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle