42、糖尿病视网膜病变分级的自监督域适应与行为理解的情境模型生成

糖尿病视网膜病变分级的自监督域适应与行为理解的情境模型生成

1. 糖尿病视网膜病变分级的自监督域适应

1.1 方法性能对比

在糖尿病视网膜病变分级任务中，VesRec - SSL 方法表现出色。通过与多个竞争对手在不同设置和指标下的对比，具体结果如下表所示：
| 方法 | EyePACS → FGADR (SegSet) - Acc. | EyePACS → FGADR (SegSet) - Q.W. Kappa | FGADR (SegSet) → EyePACS - Acc. | FGADR (SegSet) → EyePACS - Q.W. Kappa |
| — | — | — | — | — |
| Rotation - based SSL [36] | 0.728 | 0.672 | 0.681 | 0.660 |
| CDAN [15] | 0.741 | 0.685 | 0.697 | 0.685 |
| CDAN - E [15] | 0.755 | 0.706 | 0.702 | 0.691 |
| VesRec - SSL (Our) | 0.782 | 0.725 | 0.736 | 0.702 |

从表中可以看出，VesRec - SSL 在所有设置和指标上都显著优于竞争对手。例如，与排名第二的 CDAN - E 相比，在 FGADR 上提升了 2 - 3%，在 EyePACS 上提升了 1 - 3%。同时，多数情况下“FGADR (SegSet) → EyePACS”的性能低于“EyePACS → FGADR (SegSet)”，这可能是由于“FGADR”源域的训练实例数量远低于“EyeP