Sep, 2023

基于超广角眼底图像的无源主动领域自适应糖尿病视网膜病变分级

PDF
TL;DR本研究提出了一种新颖的无源主动域适应方法 (SFADA)，通过生成具有不断演化的 DR 关系特征的彩色眼底图像，通过局部表示匹配主动选择一些有价值的 UWF 眼底图像进行标注，并利用 DR 病变原型在 UWF 眼底图像上进行模型适应。实验结果表明，与基准方法相比，我们提出的 SFADA 在 DR 分级性能上达到了最先进的水平，准确率提高了 20.9%，加权 kappa 系数提高了 18.63%，分别达到了 85.36% 和 92.38%。这些研究结果显示了我们方法在实际临床实践中的潜力。
domain adaptationdiabetic retinopathyultra-wide-field fundus imagesdr gradingsource-free active domain adaptation
发现论文，激发创造
  • 无源域自适应用于真实世界图像去雾

    本研究提出了一种新型的无源无监督领域自适应（SFUDA）图像去雾范式，通过开发领域表征归一化模块，利用频率损失和物理先验损失指导无监督学习，插入我们的 DRN 模块，现有的源去雾模型能够去除未标记的真实模糊图像。

    Jul, 2022

  • 稳健的无源域自适应用于眼底图像分割

    提出了一个两阶段训练策略来实现领域自适应的稳健性，第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力，第二阶段提出了一种新的稳健伪标签和伪边界方法，有效利用无标签目标数据生成伪标签和伪边界，实现模型的自适应，无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。

    Oct, 2023

  • 通过样本原型锚定特征对齐和对比学习进行无源域适应的医学图像分割

    在医学图像分割领域，我们提出了一种新颖的两阶段无源域适应框架（SFDA），通过仅使用训练有素的源分割模型和无标签目标数据，旨在解决没有源数据时的问题。该框架首先利用预训练像素分类器的权重作为源原型，通过最小化预期成本，通过双向传输将目标特征与类原型对齐，其次设计了对比学习阶段，利用具有不可靠预测的像素来得到更紧凑的目标特征分布。实验证明，我们的方法在大域差异设置下优于最先进的 SFDA 方法甚至一些 UDA 方法。

    Jul, 2023

  • 走向非已知领域中的通用糖尿病视网膜病变分级

    糖尿病视网膜炎分级的关键在于深度学习，解决分布差异问题。

    Jul, 2023

  • CauDR：基于因果推理的视网膜底部场景通用框架用于糖尿病视网膜病变分级

    通过引入因果分析中的双操作到模型架构中，本文提出了一种新颖的通用结构因果模型（SCM），用于分析视网膜成像中的假相关性，并在此基础上发展了一种名为 CauDR 的因果关联性糖尿病视网膜病变分级框架，以消除假相关性并实现更具普适性的糖尿病视网膜病变诊断。结果表明 CauDR 具有高效性和最新技术水平的表现。

    Sep, 2023

  • 自监督表示学习在糖尿病视网膜病变图像的标签有效跨域知识迁移中的应用

    本文提出了一种基于标签效率自监督表示学习的方法，用于在跨域设置中对糖尿病视网膜病变图像进行分类。该方法使用来自源域数据集的先前学习，通过对比学习从未标记的源域数据集中学习的图像表示来对目标域数据集中的视网膜病变图像进行分类。实验结果表明，该方法在二分类和多分类中取得了最先进的结果，并优于现有的方法。

    Apr, 2023

  • 无源域自适应语义分割

    通过知识迁移和自监督学习，提出了一种基于 source-free 的语义分割域适应框架 SFDA，它可以在只有一个经过良好训练的源模型和一个未标注的目标域数据集的情况下，在语义分割中恢复和保存源域知识。

    Mar, 2021

  • 基于重建驱动动态细化的无监督域自适应方法，用于联合视盘和杯分割

    提出了一种名为 RDR-Net 的无监督领域自适应方法，用于对靶向不同医疗中心的视网膜图像进行光盘和光杯分割，其包括三个模块以缓解领域差距。经过在四个公共数据集上的评估，该方法在分割性能和泛化能力方面均优于竞争模型。

    Apr, 2023

  • 透过文本到图像扩散实现跨领域：一种无源领域自适应方法

    提出了一种用于 Source-Free Domain Adaptation 的新框架，使用在目标领域样本上训练的文本到图像扩散模型生成源数据，并使用 Domain Adaptation 技术将生成的源数据与目标领域数据对齐，从而显著提高目标领域模型的性能。

    Oct, 2023

  • 基于上下文感知的无源域自适应眼底图像分割的伪标签优化

    提出一种基于上下文感知的伪标签细化方法，通过学习上下文关系并根据特征距离计算，修正伪标签并校准以补偿不准确的修正，同时采用像素级和类别级去噪方法来选择可靠的伪标签进行域适应，实验结果表明该方法在跨域眼底图像上取得了最优结果。

    Aug, 2023