中文

RED-Sphere:用于跨群体眼底疾病领域泛化的超球面残差边缘去偏

计算机视觉与模式识别 2026-07-12 v1
作者: Yan Lin , Ziheng Wang , Shuang Chen , Amir Atapour-Abarghouei , Stephen McGough
在 arXiv 上查看 ↗ PDF ↗

摘要

医学图像分类器通常在一个源群体内训练,然而临床部署要求对在表型、采集方式和疾病患病率上与源队列不同的患者具有鲁棒性。现有的公平性和鲁棒性方法通常需要群体监督,或者将表型差异视为无差别的干扰因素,这在群体相关的低级线索与病灶证据共享边缘和纹理结构时是不够的。我们研究了一个严格的仅源域跨群体设置,其中外部群体在优化、验证、调度、超参数和模型选择期间均不可见。我们提出了RED-Sphere,一个用于在未见群体偏移下进行图像分类的即插即用鲁棒性框架。它利用边缘和特征能量先验估计捷径敏感的干扰响应,通过残差软门控衰减主导响应,利用反事实启发的一致性和分离损失正则化掩蔽的干扰视图,并使用归一化的球面原型预测标签。它倾向于角度语义证据而非源相关的激活幅度,同时保留病灶结构。虽然在二维扫描激光眼底镜(SLO)眼底分类中针对年龄相关性黄斑变性(AMD)和糖尿病视网膜病变(DR)进行了演示,但RED-Sphere并不局限于视网膜解剖结构:同样的原理可以适配特定模态的干扰先验,只要表型捷径和语义证据纠缠在一起。在严格的仅白人Harvard-FairVision协议下,RED-Sphere在所有20个任务和骨干网络比较中提高了保留宏F1,在AMD和DR上平均提升了1.28和2.98个F1点。AUC和PR-AUC的提升、可视化诊断、消融实验和敏感性分析进一步支持了更强的外部语义对齐和更稳定的角度疾病几何。

关键词

domain generalization medical image classification fundus disease fairness shortcut learning hyperspherical prototypes cross-population

引用

@article{arxiv.2607.10777,
  title  = {RED-Sphere: Hyperspherical Residual Edge Debiasing for Cross-Population Fundus Disease Domain Generalization},
  author = {Yan Lin and Ziheng Wang and Shuang Chen and Amir Atapour-Abarghouei and Stephen McGough},
  journal= {arXiv preprint arXiv:2607.10777},
  year   = {2026}
}

备注

21 pages, 6 figures, 3 tables. Preprint