日夜适应：一种用于医学图像分割的创新源自适应框架

分布迁移在来自不同医疗机构的医学图像中广泛存在，阻碍了在一个中心（源域）上训练的语义分割模型部署到另一个中心（目标域）。虽然无监督域适应在缓解这些迁移方面显示出巨大的潜力，但由于在中心之间共享数据，存在隐私风险。为在保持数据隐私的同时促进适应，源自适应（SFDA）和测试时适应（TTA）已成为有效的范式，仅依赖于目标域数据。然而，SFDA需要在部署前收集目标域数据集。TTA未充分利用测试数据的潜力价值，因为其仅对测试数据进行一次处理。鉴于大多数医疗机构在临床实践中白天运作、夜间不活跃，我们提出一种新颖的适应框架，称为日夜适应（DyNA），通过日夜循环进行适应，无需访问源数据。在白天，训练低频提示以适应每个测试样本。我们构建内存库用于提示初始化，并开发热身机制以增强提示训练。在夜间，我们重用白天收集的测试数据，并引入全局学生模型来桥接教师模型和学生模型之间的知识，以确保训练稳定性。广泛的实验表明，我们的DyNA在两种基准医学图像分割任务上优于现有的TTA和SFDA方法。代码将在论文发布后提供。