DLTTA：面向跨域医学图像测试时自适应的动态学习率方法
计算机视觉与模式识别
2022-05-30 v1
摘要
测试时自适应（TTA）已成为高效处理来自不同机构的医学图像在测试时的跨域分布偏移的重要课题。以往的 TTA 方法存在一个共同局限，即对全部测试样本使用固定的学习率。这种做法对 TTA 而言是次优的，因为测试数据可能顺序到达，因而分布偏移的尺度会频繁变化。为解决该问题，我们提出一种新颖的用于测试时自适应的动态学习率调整方法，称为 DLTTA，它针对每张测试图像动态调节权重更新的幅度，以应对其分布偏移的差异。具体而言，我们的 DLTTA 配备了一种基于记忆库的估计方案，以有效度量给定测试样本的差异。基于该估计差异，进而开发了一种动态学习率调整策略，以对每张测试样本实现合适的自适应程度。我们的 DLTTA 的有效性与通用适用性在三项任务上得到了广泛验证，包括视网膜光学相干断层扫描（OCT）分割、组织病理学图像分类以及前列腺 3D MRI 分割。我们的方法实现了有效且快速的测试时自适应，相较当前最先进的测试时自适应方法取得了持续的性能提升。代码见：https://github.com/med-air/DLTTA。
引用
@article{arxiv.2205.13723,
title = {DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images},
author = {Hongzheng Yang and Cheng Chen and Meirui Jiang and Quande Liu and Jianfeng Cao and Pheng Ann Heng and Qi Dou},
journal= {arXiv preprint arXiv:2205.13723},
year = {2022}
}