面向更安全脑肿瘤分割的 HD-TTA：基于假设驱动的测试时适应
计算机视觉与模式识别
2026-02-24 v1
摘要
标准的测试时适应(TTA)方法通常将推断视为盲目优化任务，对所有或筛选后的测试样本应用通用目标。在安全关键的医学分割中，这种缺乏选择性会导致肿瘤掩模溢出到健康脑组织，或降低已经正确的预测。在本文中，我们提出了假设驱动式TTA，这是一种新型框架，将适应重新构想为动态决策过程。我们的方法生成直观的竞争几何假设：压缩(预测是否噪声？清除伪影)或膨胀(有效肿瘤是否欠分割？安全膨胀以恢复)。然后，它采用基于表示引导的选择器来自动识别基于内在纹理一致性的安全结果。此外，预筛选守门员防止负迁移，通过跳过自信案例的适应。我们在跨域的二元脑肿瘤分割任务上验证了这一概念，将在成年BraTS脑肿瘤上训练的源模型应用于未见的儿童和更具挑战性的脑膜肿瘤目标域。HD-TTA在挑战性的安全法规下，优于多个最先进的代表性基线，在Hausdorff距离(HD95)和精确度方面取得了更好的安全性结果，通过约6.4 mm显著降低HD95，并在精确度上提高超过4%，同时保持相当的Dice分数。这些结果表明，通过显式假设选择解决安全适应权衡是一种可行、稳健的路径，可用于安全临床模型部署。代码将在接受后公开。
引用
@article{arxiv.2602.19454,
title = {HD-TTA: Hypothesis-Driven Test-Time Adaptation for Safer Brain Tumor Segmentation},
author = {Kartik Jhawar and Lipo Wang},
journal= {arXiv preprint arXiv:2602.19454},
year = {2026}
}
备注
11 pages, 3 figures, 2 tables