发散域，收敛评分：增强糖尿病视网膜病变分级的泛化能力

糖尿病视网膜病变（DR）占全球失明病例的5%。尽管众多深度学习方法已致力于改进传统DR分级方法，但它们在面对新的分布外数据时往往表现不佳，从而阻碍了其广泛应用。在本研究中，我们提出了一种用于DR分级中实现域泛化（DG）的新型深度学习方法，并做出以下贡献。首先，我们提出了一种生成图像到图像诊断相关眼底图像增强的新方法，该增强受原始眼底图像等级的调节。这些增强旨在模拟DR数据集中的各类偏移，从而提高模型的鲁棒性。其次，我们通过提出一种新的DG特定损失函数——域对齐损失，解决了标准分类损失在DR眼底数据集DG中的局限性；该损失确保所有域中对应同一类别的特征向量收敛到同一流形上，以实现更好的域泛化。第三，我们通过提出使用Focal损失来解决DR域和类别之间的数据不平衡问题，该损失可无缝集成到我们新的对齐损失中。第四，由于DR诊断中不可避免的观察者变异性会导致标签噪声，我们提出利用自监督预训练。该方法确保我们的DG模型即使在仅有少量非DR眼底图像可用于预训练的情况下，也能保持对标签噪声早期影响的鲁棒性。我们的方法在DR分级的强经验风险最小化基线和其他近期提出的先进DG方法上均表现出显著提升。代码可在https://github.com/sharonchokuwa/dg-adr获取。