SicTTA:用于医疗图像分割的单图连续测试时间调整
Jianghao Wu1, Xinya Liu1, Guotai Wang2
1School of Mechanical and Electrical Engineering, University of Electronic Science and Technology of China, Chengdu, Sichuan, China.
Medical image analysis
|November 9, 2025
概括
在测试过程中,SicTTA通过调整模型以适应新数据来改善医疗图像细分. 这种新的方法使用Class Compact密度分析和Source-Friendly Target图像来提高临床环境中的稳定性.
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) 对于模型在不断变化的临床数据中的稳定性至关重要.
- 现有的TTA方法在医学成像中常见的有限数据和分布转移方面扎.
- 在TTA中伪标签可能是不可靠的,因为域错位.
研究的目的:
- 引入SicTTA,一种用于医疗图像分割的新型单图像连续测试时间适应方法.
- 解决临床环境中当前TTA方法的局限性,特别是有限的数据和分布转移.
- 为了提高细分模型在未见的目标领域的稳定性和可靠性.
主要方法:
- SicTTA使用类紧密度 (CCD) 分析进行不确定性估计和源友好目标 (SFT) 图像选择.
- 一个先入先出的策略管理着SFT图像和功能池,以满足大小限制.
- 源对齐批量增强 (SABE) 和相似性驱动的特征融合 (SFF) 将测试图像调整为源模型的分布.
主要成果:
- 在七种最先进的TTA方法中,SicTTA的性能明显超过了七种最先进的TTA方法.
- 在基金图像细分方面实现了子得分8.22%的改进.
- 在心脏结构细分方面实现了子得分8.15%的改善.
结论:
- 在医疗图像细分中,SicTTA提供了一种可靠的解决方案,用于在医疗图像细分中持续调整测试时间.
- 拟议的CCD,SABE和SFF组件有效地处理域移位和有限数据.
- SicTTA展示了卓越的性能,提高了细分模型的临床适用性.
