UWAFA-GAN: Ultra-Wide-Angle Fluorescein Angiography Transformation via Multi-scale Generation and Registration Enhancement

这段摘要介绍了眼底摄影技术在临床诊断中的重要性，特别是结合超广角眼底技术可以提供更全面的视网膜视野。然而，超广角荧光素血管造影需要通过注射荧光染料到患者的手或肘部，而超广角扫描激光眼底成像则不需要。为了减轻注射带来的潜在不良影响，研究人员提出了跨模态医学图像生成算法的开发，能够将超广角扫描激光眼底成像转化为超广角荧光素血管造影图像。目前应用于眼底摄影的图像生成技术在产生高分辨率视网膜图像方面遇到困难，尤其是在捕捉微小血管病变方面。为了解决这些问题，作者介绍了一种新的有条件生成对抗网络（UWAFA-GAN），可以从超广角扫描激光眼底成像中合成超广角荧光素血管造影图像。该方法采用多尺度生成器和注意力传输模块，有效提取全局结构和局部病变。此外，为了对抗由于训练时数据错位而导致的图像模糊问题，该框架中还集成了一个配准模块。作者的方法在Inception分数和细节生成方面表现出色。临床用户研究进一步表明，UWAFA-GAN生成的超广角荧光素血管造影图像在诊断可靠性方面与真实图像相当。作者的方法在专有的超广角眼底图像数据集上的实证评估阐明，UWAFA-GAN优于现有的方法。该代码可在https://github.com/Tinysqua/UWAFA-GAN上访问。

论文旨在解决通过UWF-SLO图像生成UWF-FA图像的问题，以避免注射荧光染料对患者的不良影响，并提高对视网膜的诊断能力。

本文提出了一种新的有条件生成对抗网络（UWAFA-GAN）来从UWF-SLO合成UWF-FA图像，采用多尺度生成器和注意力传输模块，以有效提取全局结构和局部病变，并集成了注册模块来解决数据错位的问题。

实验结果表明，UWAFA-GAN在图像生成的质量和诊断可靠性方面表现出色，超过了现有方法。研究还使用了专有的UWF图像数据集，并提供了开源代码。

在相关研究方面，最近的研究包括“RetinaGAN：从血管结构生成高分辨率视网膜图像的生成对抗网络”和“基于生成对抗网络的眼底图像生成：现状和未来方向”等。