通过利用 ViT 中的预测软化机制实现视觉转换器自我蒸馏，我们提出了一种简单而有效的领域泛化方法，用于自动糖尿病视网膜病变分类。通过在具有不同 ViT 骨干结构的多源和单源 DG 设置下进行广泛的实验，我们证明了我们的方法在 DR 分类中的有效性和适用性，并展示出比其他方法更好的校准性能，适用于包括医疗保健在内的安全关键应用。希望我们的贡献能够推动医学影像社区更多的 DG 研究。

Oct, 2023

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

糖尿病视网膜病变（DR）是糖尿病引起的严重视力损害风险。我们提出了一个新颖的框架，其中来自不同领域的配对数据的表示被解耦为语义特征和领域噪声，以生成与临床需求对齐的增强表示，最终通过使用类和领域原型进行插值来改善解耦表示的鲁棒性，以及通过数据感知加权函数来关注罕见类别和领域。通过多个基准测试上的实验结果证明了我们方法在未知领域上的有效性。

Jun, 2024

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

通过最大化预训练模型的互信息来重新建立目标函数，以解决领域转移在医学成像领域的问题，并在糖尿病视网膜病变分类中得到了稳定且优于先前最先进方法的结果。

Sep, 2023

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

本文提出了一种基于层次生成方法和变分自编码器的无监督领域泛化算法，能够在不受领域特定信息约束的情况下学习表征并在多种领域设置下优于先前提出的领域泛化算法和现有的其他非生成式方法。另外，作者还提出了基于 ELBO 的模型选择和弱领域监督算法。

Jan, 2021

糖尿病视网膜病变（DR）是视力障碍的主要原因之一，需要早期检测和治疗。本文研究了糖尿病视网膜病变（DR）分类问题中跨域泛化的挑战，通过使用 CLIP 模型在不同领域和数据分布下进行转化学习，引入了一种名为 CoOpLVT 的多模态微调策略来增强上下文优化，实验结果表明该方法相较于基线模型提高了 1.8% 的 F1 分数，为 DR 分类的有效跨域泛化提供了希望。

Aug, 2023

本文提出了一种简单而有效的方法来提高医学成像分类中深度神经网络的泛化能力，该方法通过使用新的线性依赖正则化项进行变分编码学习代表性特征空间，以捕获从不同领域收集的医学数据之间的可共享信息。实验结果表明，与现有方法相比，我们的方法可以实现更好的跨领域泛化能力。

Sep, 2020

本文提出了一种对比变分自编码器，可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管，并且通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到了提高，可以在不同的目标领域生成稳定的血管造影，提供了一种良好的可视化方法，是荧光素血管造影的一个无创、安全的替代方法。

Jul, 2023