TestFit:用于医疗图像细分的一次通过测试时间的插件运行方法
Yizhe Zhang1, Tao Zhou1, Yuhui Tao1
1Nanjing University of Science and Technology, Jiangsu 210094, China.
Medical image analysis
|December 28, 2023
概括
本研究介绍了TestFit,这是一种在线方法,可以在测试过程中改进深度学习 (DL) 医学图像细分模型. TestFit通过适应测试数据分布而提高了细分精度,而无需重新训练.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 深度学习 (DL) 在医学图像细分方面表现出色,但研究主要集中在网络设计和培训上.
- 在测试阶段 (测试时间) 改善DL模型的工作有限.
研究的目的:
- 在测试时间内调查稳定改进现成DL细分网络的可行性.
- 引入TestFit,一种新的在线测试时间方法,通过配合测试数据分布来提高细分性能.
主要方法:
- 测试Fit使用了一个从原始网络 (OGNet) 衍生出的补充网络 (SuppNet).
- OGNet保留了原始训练数据的洞察力,而SuppNet则适应了测试数据.
- 分段结果和监督信号是通过动态组合OGNet和SuppNet输出来生成的.
- 该方法要求每样试验只有一次通过,并且不需要事先的培训准备.
主要成果:
- TestFit证明了DL细分模型的稳定和有效的在线测试时间改善.
- 该方法在各种2D和3D医疗成像数据集中显示了能力.
- 实验证实了技术处理对稳定性和性能的有效性.
结论:
- 在测试时,TestFit提供了一个插件解决方案,用于增强现有的DL细分模型.
- 该方法需要最小的超参数调整,并且适用于现实世界的应用程序.
- 通过适应测试数据分布而不会损害原始模型完整性,TestFit成功地提高了细分精度.
