利用生成模型解耦视网膜图像的表示

视网膜眼底图像在眼病的早期检测中起着至关重要的作用。然而，技术因素对这些图像的影响可能给眼科中可靠的 AI 应用带来挑战。例如，大型眼底队列往往受到相机类型等因素的混淆，存在学习捷径而非图像生成过程背后因果关系的风险。在此，我们引入了一种视网膜眼底图像的群体模型，该模型有效地将患者属性与相机效应解耦，从而实现可控且高度逼真的图像生成。为了实现这一目标，我们提出了一种基于距离相关性的解耦损失。通过定性和定量分析，我们表明我们的模型将所需信息编码在解耦的子空间中，并能够基于学习到的子空间实现可控的图像生成，从而证明了我们解耦损失的有效性。项目代码已公开：https://github.com/berenslab/disentangling-retinal-images。