DGM-DR：基于互信息正则化的域泛化糖尿病视网膜病变分类方法
计算机视觉与模式识别
2023-09-19 v1
摘要
训练数据与测试数据之间的域偏移给训练可泛化的深度学习模型带来了重大挑战。因此，在独立同分布（i.i.d）假设下训练的模型在部署到真实世界时性能会下降。由于临床中心、医疗设备和患者之间数据采集的差异，这一问题在医学影像领域尤为严重。域泛化（DG）旨在通过学习一个对任一未见目标域都能良好泛化的模型来解决该问题。由于较大的域偏移，许多域泛化技术未能成功学习域不变表示。此外，从 DG 视角来看，医学影像中的多个任务在现有文献中尚未得到广泛研究。本文提出了一种 DG 方法，将模型目标函数重构为与大型预训练模型的互信息最大化，并引入医学影像领域。我们重新审视糖尿病视网膜病变（DR）分类中的 DG 问题，以通过正确的模型选择策略建立清晰的基准，并实现鲁棒的域不变表示以改善泛化。此外，我们在公开数据集上进行了大量实验，表明我们提出的方法在平均准确率上持续以 5.25% 的优势超越先前的最先进（SOTA）方法，且标准差更低。源代码见 https://github.com/BioMedIA-MBZUAI/DGM-DR
引用
@article{arxiv.2309.09670,
title = {DGM-DR: Domain Generalization with Mutual Information Regularized Diabetic Retinopathy Classification},
author = {Aleksandr Matsun and Dana O. Mohamed and Sharon Chokuwa and Muhammad Ridzuan and Mohammad Yaqub},
journal= {arXiv preprint arXiv:2309.09670},
year = {2023}
}
备注
DART: 5th Workshop on Domain Adaptation and Representation Transfer 2023 camera ready