提高医疗图像细分的跨领域通用性,使用不确定性和形状意识的持续测试时间域调整
Jiayi Zhu1, Bart Bolsterlee2, Yang Song3
1School of Computer Science and Engineering, University of New South Wales, Sydney, NSW 2052, Australia; Neuroscience Research Australia (NeuRA), Randwick, NSW 2031, Australia.
Medical image analysis
|December 19, 2024
概括
本研究引入了一种用于持续测试时间调整 (CTTA) 的新框架,该框架可以在严重漂移的目标域上提高模型性能. 该方法提高了域的概括性和适应性,在跨域细分任务上优于现有的方法.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 持续测试时间适应 (CTTA) 允许模型在没有访问源数据的情况下适应新数据.
- 经验风险最小化 (ERM) 训练的模型与显著的领域转移作斗争,限制了CTTA的有效性.
- 现有的CTTA方法在严重漂移的目标领域经常失败,需要改进适应策略.
研究的目的:
- 开发一个可通用的CTTA框架,以应对严重的领域转移.
- 为了提高模型的适应性和性能,在不断的测试时间适应过程中.
- 解决ERM训练模型在具有挑战性的目标领域的局限性.
主要方法:
- 结合域不变形状建模与域泛化 (DG) 技术进行训练.
- 使用不确定性和形状意识的平均教师网络,使用不确定性加权的伪标签.
- 实现一个不确定性排名的跨任务规范化,以便在细分图和形状表示之间保持一致性.
- 使用随机重量重置来防止对特定测试样品过度适应.
主要成果:
- 拟议的框架显示了在不同领域的强大持续适应性.
- 该方法在五个跨领域细分任务上显著优于现有的CTTA方法.
- 域不变形状建模和不确定性意识适应增强了对域转移的稳定性.
结论:
- 开发的CTTA框架提供了一个可通用的解决方案,可以将模型适应到未见的领域,即使有严重的漂移.
- 整合形状建模,不确定性加权和随机重置的整合证明在提高CTTA性能方面是有效的.
- 这项工作推进了持续学习领域,为现实世界的应用提供了更强大,更适应的模型.
