EviATTA：面向医学 Segment Anything 模型的证据型主动测试时适应

在大分布偏移下部署基础医学 Segment Anything 模型（SAM）进行测试时适应（TTA）具有挑战性，其中测试时监督往往不可靠。虽然主动测试时适应（ATTA）通过引入有限的专家反馈来提高可靠性，但现有的 ATTA 方法仍受不可靠不确定性估计和低效稀疏标注利用的制约。为此，我们提出了证据型主动测试时适应（EviATTA），据称是首个针对医学 SAM 的 ATTA 框架。具体而言，我们采用基于 Dirichlet 的证据建模来分解整体预测不确定性为分布不确定性和数据不确定性。基于此分解，我们设计了分层证据抽样策略，其中使用图像级分布不确定性来选择信息性偏移样本，同时利用基于距离的数据不确定性指导稀疏像素标注以解决数据歧义。我们进一步引入双重一致性正则化，强制在稀疏标注样本上逐步应用提示一致性，以更好地利用稀疏监督，并对无标签样本应用变分特征一致性以稳定适应。在六个医学图像分割数据集上的大量实验表明，EviATTA 在最小专家反馈下， consistently 改善了在 batch-wise 和 instance-wise 测试时适应设置下的适应可靠性。