通过对抗攻击实现皮肤瘤分割中多风格转换

糖尿病视网膜病变的诊断依赖视网膜图像，但采用全局分类方法时难以实现透明和可解释性。然而，基于分割的数据库获取成本较高，且组合困难。本文提出一种新方法——对抗风格转换，以解决不同数据库中标注风格标准化不足的问题。通过在组合数据库上训练单一架构，模型能根据输入自主调整其分割风格，展示了在不同标注风格间转换的能力。该方法在编码器特征上添加线性探针检测数据集来源，并利用对抗攻击来条件化模型的分割风格。结果表明，通过数据集组合实现了显著的定性和定量提升，为改进模型泛化性、不确定性估计以及在标注风格之间连续插值提供了途径。我们的 approach 使能够在控制和利用标注风格的前提下，使用多样化的数据库训练分割模型，从而提高视网膜病变的诊断效果。