RetiGen:利用多视图视网膜诊断领域概括和测试时间适应的框架
Gongyu Zhang1, Ze Chen2, Jiayu Huo3
1School of Biomedical Engineering & Imaging Sciences, King's College London, London, United Kingdom; School of Life Course & Population Sciences, King's College London, London, United Kingdom.
Computers in biology and medicine
|September 11, 2025
概括
RetiGen集成了眼科成像的域概括和测试时间适应,显著提高了不同数据集的诊断准确性. 这种新的方法提高了机器学习模型的稳定性,并解决了领域转移的挑战.
科学领域:
- 眼科成像 眼科成像
- 医疗机器学习 医疗机器学习
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 域泛化 (DG) 和测试时间适应 (TTA) 提高了跨不同域的医学成像模型准确性.
- 现有的方法往往单独针对GD或TTA,而不是利用它们的综合优势.
- 域名转移仍然是一个重大挑战,阻碍了AI在诊断方面的表现.
研究的目的:
- 引入RetiGen,一个新的测试时间优化框架,将DG和TTA整合到一个端到端的方式.
- 提高眼科成像领域机器学习模型的稳定性和准确性,特别是使用多视图彩色 fundus 照片.
- 为解决医疗成像分析领域转移的持续问题.
主要方法:
- RetiGen是一个测试时间优化框架,旨在与现有的域泛化方法集成.
- 它使用未标记的多视图彩色基底照片,利用来自多个视角的信息.
- 该框架整合了类平衡,测试时间适应和多视图优化策略,以应对领域转移.
主要成果:
- RetiGen显著提高了眼科成像模型的概括性和准确性.
- 在MFIDDR数据集中,RetiGen使AUC从0.751提高到0.872 (0.121改善).
- 在DRTiD数据集中,RetiGen将AUC从0.794提高到0.879 (0.085改善),超过了最先进的方法.
结论:
- 通过将DG和TTA结合在一个端到端的框架中,RetiGen有效地解决了域名转移问题.
- 拟议的方法表明,与现有的最先进的技术相比,在DG和TTA中表现优越.
- RetiGen为改善眼科成像和其他医疗领域的诊断准确性提供了一个有希望的解决方案.
