基于解耦表示的糖尿病视网膜病变跨未知域泛化

糖尿病视网膜病变由糖尿病诱发，具有造成视觉损伤的显著风险。对糖尿病视网膜病变进行准确有效的分级有助于该疾病的治疗。然而，由于域偏移，现有模型在未知域上会出现显著的性能下降。先前的方法通过简单的视觉变换模拟域风格，并通过学习鲁棒表示来缓解域噪声，从而解决该问题。但是，域偏移不仅仅包含图像风格，它们忽略了由种族、年龄和诊断标准等隐含因素引起的偏差。在我们的工作中，我们提出了一个新颖的框架，将来自不同域的配对数据表示解耦为语义特征和域噪声。由此产生的增强表示包含原始视网膜语义和来自其他域的域噪声，旨在生成符合真实世界临床需求、融合了来自不同域丰富信息的增强表示。随后，为了提高解耦表示的鲁棒性，采用类和域原型对解耦表示进行插值，同时设计数据感知权重以关注稀有类和域。最后，我们设计了鲁棒的像素级语义对齐损失，以对齐从特征中解耦出的视网膜语义，保持类内多样性与密集类特征之间的平衡。在多个基准上的实验结果证明了我们的方法在未知域上的有效性。代码实现可在 https://github.com/richard-peng-xia/DECO 获取。