通过感知不平衡的域适应解决胚胎发育评估中的域偏移
计算机视觉与模式识别
2025-01-10 v1 人工智能
摘要
医学影像中的深度学习模型面临双重挑战：域偏移（模型在不同于训练环境的应用场景中性能下降）和类别不平衡（某些疾病条件自然代表性不足）。我们提出了感知不平衡的域适应(IADA)，这是一个新颖的框架，通过三个关键组件同时应对这两个挑战：(1) 具有类别特定注意力机制的自适应特征学习，(2) 具有动态加权的平衡域对齐，以及(3) 自适应阈值优化。我们的理论分析建立了收敛保证和复杂度界限。通过在四种成像模态的胚胎发育评估上进行大量实验，IADA相比现有方法取得了显著改进，准确率最高提升25.19%，同时保持跨类别的平衡性能。在低质量成像系统的挑战性场景中，IADA展现出鲁棒的泛化能力，AUC提升高达12.56%。这些结果表明IADA在开发适用于多样化临床环境的可靠且公平的医学影像系统方面具有潜力。代码已公开于https://github.com/yinghemedical/imbalance-aware_domain_adaptation。
引用
@article{arxiv.2501.04958,
title = {Addressing Domain Shift via Imbalance-Aware Domain Adaptation in Embryo Development Assessment},
author = {Lei Li and Xinglin Zhang and Jun Liang and Tao Chen},
journal= {arXiv preprint arXiv:2501.04958},
year = {2025}
}
备注
15 pages