基于模型缺失与流动数据的领域自适应糖尿病视网膜病变分级
计算机视觉与模式识别
2024-12-03 v1
摘要
领域迁移(源域与目标域之间的差异)在临床应用中提出了重大挑战，例如糖尿病视网膜病变(DR)分级。尽管考虑了某些临床需求，如源数据隐私，常规迁移方法仍主要是模型中心化，往往难以防止针对模型的攻击。本文针对Online Model-aGnostic Domain Adaptation(OMG-DA)新挑战性设置进行方法设计，该设置由临床环境需求驱动。该设置特点是模型缺失以及目标数据流动。为解决新挑战，我们提出了一种新方法Generative Unadversarial ExampleS(GUES)，从数据中心视角进行适应。具体而言，我们首先从生成式角度对常规扰动优化进行理论重构——学习一个带有隐变量输入的扰动生成函数。在模型实例化时，我们利用变分自编码器(Variational AutoEncoder)来表示该函数。编码器通过重参数化技巧预测隐变量输入，而解码器负责生成。此外，选取显著性图作为伪扰动标签。由于它不仅捕获潜在病灶，还在理论上提供了函数输入的上界，使我们能够识别隐变量。大量对比实验在DR基准数据集上进行，包括冻结预训练模型和可训练模型，结果表明GUES具有优越性，即使在小批量大小下也表现出鲁棒性。
引用
@article{arxiv.2412.01203,
title = {Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data},
author = {Wenxin Su and Song Tang and Xiaofeng Liu and Xiaojing Yi and Mao Ye and Chunxiao Zu and Jiahao Li and Xiatian Zhu},
journal= {arXiv preprint arXiv:2412.01203},
year = {2024}
}