多视图测试时间适应用于临床白内障手术中的语义细分

科学领域:

• 眼科医生 眼科 眼科
• 计算机视觉 计算机视觉
• 医疗成像医学成像

背景情况:

• 白内障手术使用语义细分来进行计算机辅助干预.
• 临床环境的变化会导致领域转移,影响细分模型的性能.
• 由于数据集中化,现有的域调整方法引发了隐私问题.

研究的目的:

• 提出一种新的算法,多视图测试时间适应 (MUTA),用于强大的白内障手术场景细分.
• 解决跨中心临床应用中的域名转移和隐私问题.
• 在没有数据集中的情况下,在推断过程中实现有效的模型适应.

主要方法:

• MUTA使用多视图学习来增强源域中的模型培训.
• 在训练阶段集成多视图解码器以提高稳定性.
• 测试时间调整与多视图知识蒸用于推断阶段调整.

主要成果:

• MUTA有效地学习了用于白内障手术细分的强大的源模型.
• 算法在实际推理过程中成功地将模型调整为目标数据.
• 在模拟的交叉中心场景中的实验验证了MUTA的有效性.

结论:

• MUTA提供了一个保护隐私的解决方案,用于白内障手术细分领域的域调整.
• 该算法在不同的临床环境中提高了计算机辅助干预的可靠性.
• 在不影响患者数据隐私的情况下,MUTA 便于在现场进行模型更新.