基于 InTEnt 的医学图像分割：用于单图像测试时适应的集成熵加权
计算机视觉与模式识别
2024-02-19 v2 人工智能
摘要
测试时适应 (TTA) 指在测试期间将训练好的模型适应到新域。现有的 TTA 技术依赖于拥有来自同一域的多个测试图像，但这在医学成像等实际应用中可能不切实际，因为这些领域数据获取昂贵且成像条件频繁变化。在此，我们着手解决仅利用单张未标记测试图像来适应医学图像分割模型的任务。大多数直接最小化预测熵的 TTA 方法在此设定下无法显著提升性能；在该设定中，我们还观察到批量归一化 (BN) 层统计量的选择是一个至关重要但不稳定的因素，因为仅有一个测试域样本。为克服这一问题，我们提出对利用训练统计量与测试统计量之间各种目标域统计量估计值所做的预测进行积分，并根据其熵统计量进行加权。我们的方法在 3 个医学图像数据集的 24 个源/目标域划分上进行了验证，平均 Dice 系数超越领先方法 2.9%。
引用
@article{arxiv.2402.09604,
title = {Medical Image Segmentation with InTEnt: Integrated Entropy Weighting for Single Image Test-Time Adaptation},
author = {Haoyu Dong and Nicholas Konz and Hanxue Gu and Maciej A. Mazurowski},
journal= {arXiv preprint arXiv:2402.09604},
year = {2024}
}
备注
Code and pre-trained weights: https://github.com/mazurowski-lab/single-image-test-time-adaptation