面向医学图像图像到图像翻译的样本感知测试时适应

图像到图像翻译已成为医学成像中强大的技术，使我们能够实现图像去噪和跨模态转换等任务。然而，它在处理无分布样本时存在局限性，会导致性能下降。为解决这一局限性，我们提出了一种新的测试时适应（TTA）框架，该框架根据每个测试样本的特征动态调整翻译过程。我们的方法引入了重建模块来量化分布迁移，并引入动态适应模块，以在不损害无分布样本性能的前提下，对预训练翻译模型的内部特征进行选择性修改，以缓解迁移。我们在两种医学图像到图像翻译任务上评估了该方法：低剂量 CT 去噪和 T1 转 T2 MRI 翻译，结果显示相对于基线翻译模型（无 TTA）和现有 TTA 方法，本方法在两项任务上均表现出一致的改进。我们的分析表明，最先进技术统一地将适应应用于无分布和有分布样本，这存在局限性，证明了动态、基于样本的调整为改进模型在现实场景中的韧性提供了有前景的路径。代码已公开：https://github.com/Sample-Aware-TTA/Code。