PASS:测试时间促使在医疗图像分割中适应风格和语义形状

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 测试时间适应 (TTA) 解决了医疗成像领域的转变,而不需要重新培训.
• 现有的TTA细分方法通常需要源数据或忽略关键的形状信息.
• 视觉提示学习提供源放松的适应,但未充分利用语义特征.

研究的目的:

• 开发一个知识丰富的深度即时学习框架,用于医疗图像细分.
• 在测试时间适应期间解决图像风格和形状变化.
• 改善对各种医学成像数据集的细分性能.

主要方法:

• 拟议的PASS (Prompting to Adapt Styles and Semantic shapes) 是一个用于医学图像细分的TTA框架.
• 引入了用于风格调整的输入空间提示以及用于形状差异的语义意识提示.
• 开发了一个输入装饰器,用于自我调节的视觉提示,以及一个交叉注意力提示调制器,用于形状提示定制.

主要成果:

• 与最先进的TTA方法相比,PASS表现优越.
• 该框架有效地处理医疗图像的风格和形状变化.
• 在多个医学图像细分数据集上的实验验验证了拟议的方法.

结论:

• 在医学图像细分中,PASS为测试时间适应提供了一种新且有效的解决方案.
• 风格和语义形状的联合适应显著提高了细分精度.
• 拟议的方法通过结合形状意识的语义知识来推进TTA.