Generación de imágenes médicas en el área de la retinopatía diabética con ayuda de redes generativas antagónicas

Cesar  Rioja-García; Mariko Nakano-Miyatake; Oswaldo Ulises Juarez-Sandoval; ‪Keiji  Yanai‬; Gibran  Benítez-García

doi:10.29057/icbi.v11i22.11022

Cesar Rioja-García Instituto Nacional Politécnico https://orcid.org/0000-0002-1744-130X
Mariko Nakano-Miyatake Instituto Nacional Politécnico https://orcid.org/0000-0003-1346-7825
Oswaldo Ulises Juarez-Sandoval Instituto Politécnico Nacional https://orcid.org/0000-0002-0330-8161
‪Keiji Yanai‬ Universidad de Electro-Comunicaciones, Japón. https://orcid.org/0000-0002-0431-183X
Gibran Benítez-García Universidad de Electro-Comunicaciones, Japón https://orcid.org/0000-0003-4945-8314

DOI: https://doi.org/10.29057/icbi.v11i22.11022

Palabras clave: Aprendizaje Profundo, Retinopatía Diabética, Procesamiento de Imágenes, SinGAN

Resumen

Una de las enfermedades que más afectan al sistema visual humano es la Retinopatía Diabética (RD), siendo esta una de las principales causas de ceguera a nivel mundial. Esta enfermedad se deriva de la Diabetes. Es importante que los oftalmólogos puedan detectar esta enfermedad a tiempo para poder darle un tratamiento adecuado. Se han propuesto trabajos de detección del grado de RD y detecciones de lesiones provocadas por la RD. Para mejorar la precisión de estos algoritmos es necesario entrenarlos de una manera correcta con una basta base de datos segmentada. A la fecha las bases de datos existentes en la RD contienen un número limitado de imágenes. Por lo cual se propone incrementar el número de imágenes de RD con ayuda de SinGAN (Aprendizaje de un modelo generativo a partir de una sola imagen natural) con esta red es posible crear nuevas imágenes a partir del entrenamiento de una sola imagen.

Descargas

La descarga de datos todavía no está disponible.

Citas

Alyoubi, W. L., Shalash, W. M., Abulkhair, M. F. (2020). Diabetic retinopathy detection through deep learning techniques: A review. Informatics in Medicine Unlocked, 20, 100377.

Anicet Zanini, Rafael; Luna Colombini, Esther (2020). Parkinson's Disease EMG Data Augmentation and Simulation with DCGANs and Style Transfer, Sensor 20(9) DOI:10.3390/s20092605.

Arjovsky, M. Chintala S., Bottou, L. (2017) Wasserstein generative adversarial networks34th International Conference on Machine Learning, ICML 2017, 1, pp. 298-321

Boyd, K. (2020). American Academy of Ophthalmology-What is Diabetic Retinopathy. Accessed: Sep, 10, 2021.

Chakraborty, C., Gupta, B., Ghosh, S. K. (2013). A review on telemedicine-based WBAN framework for patient monitoring. Telemedicine and e-Health, 19(8), 619-626. DOI: 10.1089/tmj.2012.0215,

Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Bengio, Y. (2014). Generative adversarial nets. Advances in neural information processing systems, 27.

He, A., Li, T., Li, N., Wang, K., Fu, H. (2020). CABNet: category attention block for imbalanced diabetic retinopathy grading. IEEE Transactions on Medical Imaging, 40(1), 143-153. DOI: 10.1109/TMI.2020.3023463

Hinz, T., Fisher, M., Wang, O.,Wermter, S. (2021) Improved Techniques for Training Single-Image GANs, IEEE Winter Conference on Applications of Computer Vision (WACV), pp. 1299-1308, DOI: 10.1109/WACV48630.2021.00134.

Ledig C., et al.,(2017), Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 105-114. DOI: 10.1109/CVPR.2017.19.

Li, T., Gao, Y., Wang, K., Guo, S., Liu, H., Kang, H. (2019). Diagnostic assessment of deep learning algorithms for diabetic retinopathy screening. Information Sciences, 501, 511-522. DOI: 10.1016/j.ins.2019.06.011

Redford, A., Metz L., Chintala S.(2016), Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks, 4 th International Conference on Learning Representations, ICLR 2016

Resnikoff, S., Lansingh, V. C., Washburn, L., Felch, W., Gauthier, T. M., Taylor, H. R., Wiedemann, P. (2020). Estimated number of ophthalmologists worldwide (International Council of Ophthalmology update): will we meet the needs?. British Journal of Ophthalmology, 104(4), 588-592. DOI: 0.1136/bjophthalmol-2019-314336

Shaham, T. R., Dekel, T., Michaeli, T. (2019). SinGAN: Learning a generative model from a single natural image. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 4570-4580).

Shorten, Connor; Khoshgoftaar, Taghi M. (2019).. A survey on Image Data Augmentation for Deep Learning. Mathematics and Computers in Simulation. 6(60). DOI:10.1186/s40537-019-0197-0

Sushko, V. Gall, J., Khoreva, A., (2021) One-Shot GAN: Learning to Generate Samples from Single Images and Videos," IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, pp. 2596-2600. DOI: 10.1109/CVPRW53098.2021.00293.

Wang, F., Zhong, S., Peng, J., Jiang, J., Liu, Y., (2018). Data Augmentation for EEG-Based Emotion Recognition with Deep Convolutional Neural Networks. Multimedia Modeling. Lecture Notes in Computer Science. 10705. pp.82–93 DOI:10.1007/978-3-319-73600-6_8

Wei, Q., Li, X., Yu, W., Zhang, X., Zhang, Y., Hu, B., Chen, Y. (2021, January). Learn to segment retinal lesions and beyond. In 2020 25th International Conference on Pattern Recognition (ICPR) (pp. 7403-7410)