医学图像分割测试时适应方法的大规模基准
计算机视觉与模式识别
2025-12-03 v1
摘要
测试时适应是缓解医学图像分割中域迁移的有前景的方法；然而，当前评估在模态覆盖、任务多样性和方法论一致性方面仍受限。我们提出 MedSeg-TTA，一个综合性基准，围绕七种成像模态（包括 MRI、CT、超声、组织病理、皮肤病lich、OCT 和胸片）评估二十个具代表性的适应方法，实施统一的数据预处理、骨干网络配置和测试时协议。该基准涵盖四大重要适应范式：输入层转换、特征层对齐、输出层正则化和先验估计，实现了这些方法在跨模态条件下的可靠性和适用性的首次系统性比较。结果表明，没有单一范式在所有条件下均表现最佳。在轻微外观变化下，输入层方法更稳定；特征层和输出层方法在边界相关指标上具有更大优势，而基于先验的方法则表现出强烈的模态依赖性。Several 方法在大范围中心和设备迁移下性能显著下降，这突显了在临床部署中进行原则性方法选择的重要性。MedSeg-TTA 提供标准化数据集、验证实现及公开排行榜，为未来在鲁棒、临床可靠的测试时适应研究奠定了严谨基础。所有源代码和开源数据集均可在 https://github.com/wenjing-gg/MedSeg-TTA 获取。
引用
@article{arxiv.2512.02497,
title = {A Large Scale Benchmark for Test Time Adaptation Methods in Medical Image Segmentation},
author = {Wenjing Yu and Shuo Jiang and Yifei Chen and Shuo Chang and Yuanhan Wang and Beining Wu and Jie Dong and Mingxuan Liu and Shenghao Zhu and Feiwei Qin and Changmiao Wang and Qiyuan Tian},
journal= {arXiv preprint arXiv:2512.02497},
year = {2025}
}
备注
45 pages, 18 figures