探索测试时自适应用于3D超声中胎儿脑部皮层下结构分割

在超声（US）图像中监测胎儿脑部皮层下区域的生长有助于识别是否存在异常发育。手动分割这些区域是一项具有挑战性的任务，但最近的研究表明，可以使用深度学习实现自动化。然而，将预训练模型应用于未见过的自由手持超声体数据时，由于采集和对齐方式的巨大差异，往往会导致性能下降。在这项工作中，我们首先证明了测试时自适应（TTA）可用于在存在真实和模拟域偏移的情况下提高模型性能。我们进一步提出了一种新颖的TTA方法，通过引入标准图谱作为解剖学先验。在存在各种类型域偏移的情况下，我们基准测试了不同TTA方法的性能，并展示了我们提出的方法所带来的改进，这可能进一步促进胎儿脑部发育的自动化监测。我们的代码可在https://github.com/joshuaomolegan/TTA-for-3D-Fetal-Subcortical-Segmentation获取。