A3-TTA: 画像セグメンテーションのための適応型アンカーアラインメントテスト時適応 | JoVE Visualize

科学分野:

コンピュータビジョン; 機械学習; 医療画像

背景:

テスト時適応（TTA）は、再トレーニングなしでドメインシフト下での画像セグメンテーションモデルの展開を可能にします。; 疑似ラベリングは一般的なTTA戦略ですが、摂動ヒューリスティクスを使用する既存の方法は、不安定なトレーニング信号とエラー蓄積をもたらします。

研究の目的:

画像セグメンテーションパフォーマンスを向上させるための信頼性の高い疑似ラベルを生成する堅牢なTTAフレームワークを開発すること。; 現在の疑似ラベルベースのTTAメソッドにおける不安定性とエラー蓄積の問題に対処すること。

主な方法:

信頼性の高い疑似ラベル生成のためのアンカーガイド付き教師あり学習を利用するA3-TTAフレームワークを提案しました。; クラスコンパクト密度メトリックを使用して、よく予測されたターゲットドメイン画像（アンカー）を特定しました。; セマンティック整合性と境界認識エントロピー最小化を通じて疑似ラベル生成を正則化しました。; ラベルノイズの軽減と安定したモデル更新のための自己適応指数移動平均を導入しました。

主要な成果:

A3-TTAは、医療および自然画像データセットにおいて、ソースモデルと比較して平均Diceスコアを10.40から17.68パーセンテージポイント大幅に改善しました。; 様々なセグメンテーションアーキテクチャにわたるいくつかの最先端TTA手法を上回りました。; 継続的なTTAにおいて、優れた忘却防止能力とともに強力なパフォーマンスを示しました。

結論:

A3-TTAは、ドメイン適応型画像セグメンテーションのための安定した効果的なソリューションを提供します。; アンカーガイド付き教師あり学習と提案された正則化技術は、疑似ラベルの信頼性を向上させます。; このフレームワークは、さまざまなデータ分布下でのセグメンテーションモデルの実際の展開に有望です。