DG-TTA:通过增强,描述器驱动域泛化和测试时间适应进行域外医疗图像细分
Christian Weihsbach1,2, Christian N Kruse3, Alexander Bigalke4
1Institute of Medical Informatics, University of Lübeck, 23562 Lübeck, Germany.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
这项研究引入了一种用于医疗图像细分的新方法,提高了对未见数据的深度学习模型性能. 该方法结合了领域通用的预训练和测试时间的适应,以在不同成像类型中获得高质量的结果.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 预先训练的医学深度学习细分模型与域外图像作斗争.
- 细分质量差阻碍了AI在医学成像中的临床应用.
研究的目的:
- 开发一种强大的方法,用于医疗图像细分领域的泛化预培训和测试时间适应.
- 为了在看不见的医学成像领域实现高质量的细分性能.
主要方法:
- 使用强大的泛化描述符 (SSC) 和强度增强 (GIN) 进行域泛化预训练.
- 实施了测试时间调整,使用一致性方案与增强-描述器组合用于未见的扫描.
- 在5个公共数据集 (3D CT和MRI) 上评估了腹部,脊椎和心脏成像的性能.
主要成果:
- 在跨领域场景 (CT到MRI) 中,细分性能显著改善.
- 在腹部 (+46.2, +28.2),脊椎 (+72.9) 和心脏 (+14.2, +55.7) 影像成像中取得了显著的子得分增加 (p < 0.001).
- 通过紧而高效的方法论,证明了有效地弥合领域差距.
结论:
- 拟议的方法可以在未见的领域实现高质量的医疗图像细分.
- 范普遍化的预训练和测试时间的适应显著提高了模型的概括性.
- 该方法允许对源数据和目标数据进行最佳和独立的使用.
