面向医学图像分割的多尺度全局-实例提示调谐用于持续测试时适应
计算机视觉与模式识别
2026-02-06 v1
摘要
分布迁移是医学图像从不同临床中心获取的常见挑战，显著阻碍了预训练语义分割模型在实际跨域应用中的部署。持续测试时适应(CTTA) 作为一种解决跨域偏移的有前景方法。现有大多数 CTTA 方法依赖递增更新模型参数，必然在长期适应中受益于误差累积和灾难性遗忘，尤其是后者。近期基于提示调谐的工作表明通过仅更新视觉提示可缓解上述两个问题。尽管这些方法展现了前景的性能，但仍存在若干局限：1)缺乏多尺度提示多样性，2)未充分融合实例特定知识，3)存在隐私泄露风险。为克服这些限制，我们提出了多尺度全局-实例提示调谐(MGIPT)，以增强提示的尺度多样性并捕获全局与实例层面的知识，以实现稳健的 CTTA。具体而言，MGIPT 包含一个自适应尺度实例提示(AIP)和一个多尺度全局级提示(MGP)。AIP 动态学习轻量且特定于实例的提示，通过自适应最优尺度选择机制来缓解误差累积。MGP 捕获跨不同尺度的域级知识，以确保稳健适应并具备抗遗忘能力。这两个互补组件通过加权集成方法组合，实现有效的双层适应，集成全局与局部信息。广泛的实验表明，MGIPT 在医学图像分割基准测试上优于最新方法，在持续变化的目标域中实现稳健适应。
引用
@article{arxiv.2602.05937,
title = {Multi-Scale Global-Instance Prompt Tuning for Continual Test-time Adaptation in Medical Image Segmentation},
author = {Lingrui Li and Yanfeng Zhou and Nan Pu and Xin Chen and Zhun Zhong},
journal= {arXiv preprint arXiv:2602.05937},
year = {2026}
}
备注
8 pages, BIBM2025