CauDR：一种用于基于眼底图像的糖尿病视网膜病变分级的因果启发式域泛化框架
计算机视觉与模式识别
2023-09-28 v1
摘要
糖尿病视网膜病变（DR）是最常见的糖尿病并发症，通常导致视网膜损伤、视力丧失甚至失明。计算机辅助 DR 分级系统对帮助眼科医生快速筛查与诊断具有重要影响。眼底摄影的最新进展促进了新型视网膜成像相机的发展及其在临床实践中的后续应用。然而，大多数基于深度学习的 DR 分级算法在跨域泛化方面表现有限。这种较差性能源于成像协议与设备差异引起的域偏移。我们假定域间模型性能下降源于数据中虚假相关性的学习。将因果分析中的 do-操作引入模型架构可缓解此问题并提升泛化性。具体而言，提出了一种新颖的通用结构因果模型（SCM）来分析眼底成像中的虚假相关性。在此基础上，开发了名为 CauDR 的因果启发式糖尿病视网膜病变分级框架，以消除虚假相关性并实现更具泛化性的 DR 诊断。此外，现有数据集被重组为用于域泛化（DG）场景的 4DR 基准。结果证明了 CauDR 的有效性与最先进（SOTA）性能。
引用
@article{arxiv.2309.15493,
title = {CauDR: A Causality-inspired Domain Generalization Framework for Fundus-based Diabetic Retinopathy Grading},
author = {Hao Wei and Peilun Shi and Juzheng Miao and Minqing Zhang and Guitao Bai and Jianing Qiu and Furui Liu and Wu Yuan},
journal= {arXiv preprint arXiv:2309.15493},
year = {2023}
}
备注
13 pages, 9 figures