多任务一致性引导的无源测试时域自适应医学图像分割
计算机视觉与模式识别
2023-10-19 v1
摘要
面向医学图像分割的无源测试时自适应旨在增强分割模型对目标域中多样且未见的测试集的适应性，有助于在无法访问源域的情况下提升医学图像分割模型的泛化性与鲁棒性。确保目标边缘与配对输入之间的一致性对测试时自适应至关重要。为提升测试时域自适应的性能，我们提出一种多任务一致性引导的无源测试时域自适应医学图像分割方法，其保证了局部边界预测与全局原型表示的一致性。具体而言，我们引入一种探索组织区域分割与组织边界定位任务间关系的局部边界一致性约束方法。此外，我们提出一种全局特征一致性约束以增强类内紧致性。我们在基准眼底图像分割上进行了大量实验。与源域模型直接预测相比，在 RIM-ONE-r3 与 Drishti GS 数据集上分割 Dice 分数分别提升 6.27% 与 0.96%。此外，实验结果表明所提方法优于现有具竞争力的域自适应分割算法。
引用
@article{arxiv.2310.11766,
title = {Multi Task Consistency Guided Source-Free Test-Time Domain Adaptation Medical Image Segmentation},
author = {Yanyu Ye and Zhenxi Zhang and Wei Wei and Chunna Tian},
journal= {arXiv preprint arXiv:2310.11766},
year = {2023}
}
备注
31 pages,7 figures