PASS:面向医学图像分割的测试时提示以适应风格与语义形状

测试时适应（TTA）已成为处理医学图像在不同机构之间测试时域迁移的有前景方法，无需额外的训练数据。然而，现有的分割任务TTA解决方案面临两个问题：(1)依赖修改源训练阶段和获取源先验信息，或(2)未充分关注分割任务中至关重要的形状相关语义知识。最近的视觉提示学习研究通过扩展参数空间实现了源码放松适应，但仍未充分利用语义特征，激发我们对知识丰富的深度提示学习的工作动机。除了一般图像风格变化的关注外，我们发现形状变异性是另一个导致性能下降的关键因素。为此，我们提出了一个名为PASS（Prompting to Adapt Styles and Semantic shapes）的TTA框架，该框架联合学习两种类型的提示：用于重构测试图像风格以适配预训练模型的输入空间提示，以及用于跨域桥接高层次形状差异的语义感知提示。我们引入输入装饰器生成以输入数据为条件的自调节视觉提示。为检索知识表征并为每个测试样本定制目标特定的形状提示，我们提出了跨注意力提示调制器，该模块在目标表征和丰富的形状提示库之间进行交互。大量实验表明，PASS在多个医学图像分割数据集上优于当前最先进的方法。代码可在 https://github.com/EndoluminalSurgicalVision-IMR/PASS 查看。