一种用于测试时自适应神经网络的专家场先验

在图像分析任务中，当训练图像和测试图像之间存在与采集相关的分布偏移时，卷积神经网络（CNN）的性能往往会受到影响。最近，有人提出通过对每个测试图像微调训练好的CNN来解决这个问题。这种测试时自适应（TTA）是一种很有前景且实用的策略，可以提高对分布偏移的鲁棒性，因为它既不需要机构间共享数据，也不需要标注额外的数据。以往的TTA方法使用一个辅助模型来增加从测试图像中提取的输出和/或特征与训练图像之间的相似性。这种辅助模型通常使用CNN建模，可能是任务特定的，并且自身也容易受到其输入分布偏移的影响。为了克服这些问题，我们提出通过匹配测试图像和训练图像的特征分布来执行TTA，该分布由专家场（FoE）先验建模。FoE将复杂的概率分布建模为许多更简单的专家分布的乘积。我们使用训练好的任务CNN特征的1D边缘分布作为FoE模型中的专家。此外，我们计算任务CNN特征图块的主成分，并将PCA载荷的分布视为额外的专家。我们在5个MRI分割任务（4个解剖区域的健康组织和1个解剖区域的病变）上验证了该方法，使用了来自17个诊所的数据，并在一个MRI配准任务上使用了来自3个诊所的数据。我们发现，所提出的基于FoE的TTA在多个任务中具有通用性，并且在病变分割方面优于所有先前的TTA方法。对于健康组织分割，所提出的方法优于其他任务无关的方法，但一种专门为分割设计的先前TTA方法在大多数测试数据集上表现最佳。我们的代码已公开可用。