DG-TTA：通过增强与描述符驱动的域泛化及测试时自适应实现域外医学图像分割
计算机视觉与模式识别
2025-04-02 v4 机器学习
摘要
目的：将预训练的医学深度学习分割模型应用于域外图像时，通常会产生质量不足的预测结果。在本研究中，我们提出使用一种强大的泛化描述符以及增强技术，以实现域泛化预训练和测试时自适应，从而在未见域中实现高质量的分割。材料与方法：在这项回顾性研究中，使用了五个不同的公开数据集（2012年至2022年），包括3D CT和MRI图像，以评估域外场景下的分割性能。设置包括腹部、脊柱和心脏成像。数据被随机分为训练和测试样本。在源数据上进行域泛化预训练，以在目标域中获得最佳初始性能。我们引入了泛化SSC描述符和GIN强度增强的组合，以实现最优泛化。随后在测试时优化分割结果，我们提出使用相同的增强-描述符组合，通过一致性方案为每个未见扫描自适应预训练模型。使用Dice相似系数和Hausdorff距离评估分割效果，并使用Wilcoxon符号秩检验测试改进的显著性。结果：所提出的泛化预训练和随后的测试时自适应显著提高了模型在CT到MRI跨域预测中的性能，包括腹部（Dice系数分别提高+46.2%和+28.2%）、脊柱（+72.9%）和心脏（+14.2%和+55.7%）场景（p<0.001）。结论：我们的方法能够以紧凑高效的方式，实现医学图像源数据和目标数据的最优、独立使用，并成功弥合域差距。开源代码见：https://github.com/multimodallearning/DG-TTA
引用
@article{arxiv.2312.06275,
title = {DG-TTA: Out-of-domain Medical Image Segmentation through Augmentation and Descriptor-driven Domain Generalization and Test-Time Adaptation},
author = {Christian Weihsbach and Christian N. Kruse and Alexander Bigalke and Mattias P. Heinrich},
journal= {arXiv preprint arXiv:2312.06275},
year = {2025}
}