面向未知域中可泛化糖尿病视网膜病变分级的研究
计算机视觉与模式识别
2023-07-24 v3
摘要
糖尿病视网膜病变（DR）是糖尿病的常见并发症，也是全球致盲的主要原因。早期准确分级其严重程度对疾病管理至关重要。尽管深度学习在自动化 DR 分级中展现出巨大潜力，但由于源域与目标域之间的分布偏移（即域泛化问题），其真实部署仍具挑战。现有工作主要将性能退化归因于由简单视觉差异引起的有限域偏移，无法处理复杂真实场景。相反，我们提出初步证据，表明存在三重泛化问题：视觉与退化风格偏移、诊断模式多样性以及数据不平衡。为解决这些问题，我们提出一种名为可泛化糖尿病视网膜病变分级网络（GDRNet）的新型统一框架。GDRNet 由三个关键组件构成：眼底视觉伪影增强（FundusAug）、动态混合监督损失（DahLoss）和域-类感知重平衡（DCR）。FundusAug 通过视觉变换与图像退化生成逼真的增强图像，而 DahLoss 联合利用像素级一致性与图像级语义来捕捉多样诊断模式并构建可泛化特征表示。此外，DCR 从域-类视角缓解数据不平衡，并避免对稀有域-类对的过度强调。最后，我们设计了一个公开可用的基准以进行公平评估。与先进方法的广泛对比实验及详尽消融研究证明了 GDRNet 的有效性与泛化能力。
引用
@article{arxiv.2307.04378,
title = {Towards Generalizable Diabetic Retinopathy Grading in Unseen Domains},
author = {Haoxuan Che and Yuhan Cheng and Haibo Jin and Hao Chen},
journal= {arXiv preprint arXiv:2307.04378},
year = {2023}
}
备注
Early Accepted by MICCAI 2023, the 26th International Conference on Medical Image Computing and Computer Assisted Intervention