您的位置:首页 > 游戏 > 手游 > 株洲网络营销推广_国际品牌的广州网站建设_百度收录推广_营销策划的概念

株洲网络营销推广_国际品牌的广州网站建设_百度收录推广_营销策划的概念

2025/7/15 2:25:50 来源:https://blog.csdn.net/pillpeople/article/details/148855434  浏览:    关键词:株洲网络营销推广_国际品牌的广州网站建设_百度收录推广_营销策划的概念
株洲网络营销推广_国际品牌的广州网站建设_百度收录推广_营销策划的概念

这篇论文标题为《Towards Generalizable Diabetic Retinopathy Grading in Unseen Domains》,核心目标是提升糖尿病视网膜病变(Diabetic Retinopathy, DR)分级模型在“未见过的新域(unseen domains)”中的泛化能力,也就是解决领域泛化(Domain Generalization, DG)问题。

一、全文讲了什么?

1. 研究背景

DR 是导致全球失明的主要原因之一,早期准确分级有助于干预治疗。

尽管深度学习在DR自动分级中表现良好,但其在临床实际部署时会受到域间分布差异(如图像质量、风格、设备、标注偏差等)的严重影响。

2. 问题定义与三类挑战

论文指出,之前方法多只考虑简单视觉差异(如颜色、亮度),但实际泛化失败的根本原因还包括三类更复杂的挑战:

视觉与图像退化风格偏移(Style & Degradation Shift)

诊断模式多样性(Diagnostic Pattern Diversity)

数据不平衡(Domain-Class Imbalance)

3. 提出方法:GDRNet 框架

论文提出一个统一的新方法 GDRNet(Generalizable Diabetic Retinopathy Grading Network),包含三个核心模块:

FundusAug(视网膜图像伪影增强):对图像进行增强(如亮度、色调、模糊、斑点等),增加训练图像的多样性以适应新域。

DahLoss(动态混合监督损失):结合监督学习与对比学习,保持类内差异性(intra-class variation)并强化像素级诊断信息。

DCR(领域-类别感知的重加权):通过软加权方式,解决某些类别/域样本数量少导致训练偏移的问题。
在这里插入图片描述

4. 实验验证与基准构建

作者构建了一个名为 GDRBench 的领域泛化基准,包含 8 个公开数据集。

实验包括两个设定:

DG测试(多源训练、单域测试)
在这里插入图片描述

ESDG测试(单源训练、多域测试)
在这里插入图片描述

GDRNet 在 AUC、Accuracy、F1 等指标上在两个设定中均超过所有对比方法。

二、创新点总结

论文的三大创新点可以归纳如下:

提出三重泛化挑战

首次系统性提出领域泛化失败不仅是视觉差异造成的,而是:

视觉&退化风格偏移

诊断模式多样性

域-类别数据不平衡

这一多因素分析为后续设计提供理论依据。

设计统一的三模块泛化增强框架 GDRNet

对应上面三类挑战,GDRNet 由以下创新组件组成:

FundusAug:首个系统结合图像风格+退化特征的视网膜增强模块(亮度、色调+斑点、模糊、光晕等)。

DahLoss:结合交叉熵监督和实例对比损失的混合损失,动态调整其比重,引导模型兼顾类别判别性与局部病灶保留。

DCR:引入 soft 软权重的领域-类别联合重加权方法,避免稀有样本过度放大或忽略。

建立完整的领域泛化评估基准 GDRBench

构建了包含 8 个常用DR公开数据集的泛化评估基准(DG 和更极端的 ESDG 设置),公布代码和数据集组合配置,为后续研究提供标准化平台。

  1. 背景与动机
    以往的 DR(Diabetic Retinopathy)研究往往只在单一数据集或简单组合上进行评估,不能真实反映模型在“未见过的真实临床域”中的泛化能力。例如:训练集和测试集图像质量类似;来源医院相同或设备类似;不涉及跨地域、跨人群、跨成像标准的数据偏移。
    但在真实世界部署中,算法常遇到全新医院、不同设备甚至不同种族人群拍摄的图像,因此,需要一个标准、开放、广泛覆盖的跨域评估平台。
  2. GDRBench 的设计与组成
    GDRBench 是作者首次提出的用于领域泛化的糖网病分级评估基准,包括来自 中国、印度、美国、法国、阿联酋 等地的 DR 数据。
    设置两种评估模式:
模式名称说明
DG 测试**(Domain Generalization)多源训练,单域测试(留一个域为目标,其余训练)
ESDG 测试(Extreme Single-Domain Generalization)更严格,只用一个数据集训练,测试模型能否泛化到剩余所有数据集(如用 DeepDR 训练,测 EyePACS、Messidor 等)

支持三大评价指标:AUC(曲线下面积)、Accuracy(准确率)、F1 Score(宏平均)

  1. 实验价值与实证优势
    (1)GDRBench 涵盖了不同成像质量、诊断模式、类别比例分布、国家地域背景,代表了 现实中的高维异构性;
    (2)实验结果证明:在 GDRBench 上,多数现有模型(如 MixStyle、Fishr)都会在 ESDG 下显著性能下降;
    (3)GDRNet 在两个设置(DG 和 ESDG)中均优于所有 baseline,验证了评估基准的挑战性与模型的稳健性。

版权声明:

本网仅为发布的内容提供存储空间,不对发表、转载的内容提供任何形式的保证。凡本网注明“来源:XXX网络”的作品,均转载自其它媒体,著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处。

我们尊重并感谢每一位作者,均已注明文章来源和作者。如因作品内容、版权或其它问题,请及时与我们联系,联系邮箱:809451989@qq.com,投稿邮箱:809451989@qq.com