利用相位增强框架对糖尿病视网膜病变进行领域泛化分级

《Medical & Biological Engineering & Computing》：Domain generalization for diabetic retinopathy grading with phase augmentation framework

糖尿病视网膜病变自动分级面临跨域泛化挑战，本研究提出傅里叶增强结合知识蒸馏与特征融合的三阶段框架，有效缓解不同医院设备差异导致的性能下降，在六组临床数据集验证中泛化能力提升显著，揭示傅里叶相位与语义特征的关键作用。

　　

摘要

糖尿病视网膜病变（DR）是一种常见的糖尿病并发症，是导致视网膜失明的主要原因。快速自动的DR分级是预防该疾病的关键方法。尽管深度学习在自动DR分级方面取得了令人鼓舞的结果，但由于不同医院之间的成像设备、光照条件等因素的差异，其在临床环境中的应用仍然面临挑战。本研究探讨了DR分级中泛化性能下降的问题，这一问题源于源域和目标域分布的差异，即DR分级中的领域泛化（DG）问题。为了解决这一挑战，我们提出了一种基于傅里叶的领域泛化框架，该框架包含三个关键创新要素：（1）傅里叶谱增强：这种基于傅里叶的图像增强技术通过利用相位信息保留了重要的高频特征，显著提高了跨领域的鲁棒性；（2）协同师生知识蒸馏：一种双网络学习机制通过将高级语义特征从教师模型传递到学生模型来增强泛化能力；（3）特征融合：特征融合模块有效区分了类内和类间特征，从而进一步提升了分类性能。我们在六个具有临床真实性的DR数据集上对这一框架进行了广泛评估，结果表明其泛化性能优于现有方法。此外，本研究揭示了傅里叶相位信息和高级语义特征在提升泛化能力方面的关键作用，填补了DR分级领域的一个重要研究空白。

图形摘要