基于风格随机化与标准化的跨域视网膜图像分割方法研究

这篇论文创新性地提出风格随机化（Style Randomization）和风格标准化（Style Normalization）方法，解决了视网膜图像分割中的单源域泛化（Single-source DG）难题。通过LAB色彩空间随机缩放增强数据多样性，结合通道级特征标准化和动态仿射变换，显著提升了模型在血管（vessel）、视杯（OC）、视盘（OD）和硬性渗出物（EX）分割任务上的跨域性能，在多个数据集上超越现有方法3.9%-4.8%。

　　

Highlight

本研究通过风格随机化与标准化技术，为视网膜图像分割中的单源域泛化问题提供了创新解决方案。

Retinal image segmentation

视网膜图像分割是诊断糖尿病视网膜病变（Diabetic Retinopathy）、青光眼（Glaucoma）和年龄相关性黄斑变性（AMD）的关键步骤。传统方法依赖手工特征（如边缘检测），而深度学习模型易受域偏移（Domain Shift）影响——当测试图像与训练数据来自不同医疗机构（域）时，性能显著下降。

Problem definition

现实场景中，由于数据隐私限制，模型通常仅能通过单一医疗中心的设备数据训练，但需部署到不同成像设备或光照条件的未知域。如图1所示，同一模型在不同域数据上表现差异极大。

Datasets and settings

数据集：实验涵盖血管、视杯（OC）、视盘（OD）和硬性渗出物（EX）四类分割任务，每类任务采用三个差异显著的公开数据集（表1）。图5展示了各数据集图像与标注示例。

Conclusion

本文提出的风格随机化通过LAB通道随机缩放增强数据多样性，风格标准化则通过通道级特征归一化和动态仿射变换消除风格干扰。二者协同使模型专注于学习域不变特征，在跨域任务中实现SOTA性能。

Declaration of Generative AI

作者声明使用ChatGPT辅助语法校对，但对内容完整性全权负责。

Declaration of competing interest

无利益冲突声明。

Acknowledgment

感谢中国国家自然科学基金（No. 62206213）和陕西省重点研发计划（No. 2025SF-YBXM-437）资助。