用于医学图像分割的即时测试时自适应

基于深度学习的医学成像解决方案的一个主要问题是,当模型测试于与其训练数据分布不同的数据时性能下降。在测试时将源模型自适应至目标数据分布是应对数据偏移问题的有效方案。先前方法通过使用熵最小化或正则化等技术将模型自适应至目标分布来解决此问题。这些方法中,模型仍通过在完整测试数据分布上使用无监督损失的反向传播进行更新。在真实临床环境中,由于隐私顾虑与部署时计算资源匮乏,自适应至新测试图像且避免在推理期间更新模型更具意义。为此,我们提出一种新设定——即时自适应,其为零样本且片段式(即模型一次自适应单张图像,且在测试时不做任何反向传播)。为实现此目标,我们提出称为Adaptive UNet的新框架,其中每个卷积块配备自适应批归一化层以依据域代码自适应特征。域代码由在大规模医学图像语料上预训练的编码器生成。在测试时,模型仅接收新测试图像并生成域代码,以依据测试数据自适应源模型的特征。我们在2D与3D数据分布偏移上验证了性能,相较先前测试时自适应方法取得更优表现。代码可在 https://github.com/jeya-maria-jose/On-The-Fly-Adaptation 获取。