医学图像分割的渐进式测试时能量适应
计算机视觉与模式识别
2025-03-24 v1
摘要
我们提出了一种模型无关的渐进式测试时能量适应方法，用于医学图像分割。在不同的医学数据集上维持模型性能具有挑战性，因为分布偏移源于不一致的成像协议和患者差异。与需要多次遍历目标数据的域适应方法不同——这在临床环境中不切实际——我们的方法在模型处理测试数据时渐进地适应预训练模型。我们的方法利用在源数据上训练的形状能量模型，在块级为分割图分配能量分数：低能量代表分布内（准确）的形状，而高能量信号表示分布外（错误）的预测。通过在测试时最小化该能量分数，我们优化分割模型以对齐目标分布。为验证有效性与适应性，我们在八个公共MRI（bSSFP、T1加权和T2加权）和X射线数据集上评估了我们的框架，涵盖心脏、脊髓和肺分割。我们在定量和定性上均持续优于基线方法。
引用
@article{arxiv.2503.16616,
title = {Progressive Test Time Energy Adaptation for Medical Image Segmentation},
author = {Xiaoran Zhang and Byung-Woo Hong and Hyoungseob Park and Daniel H. Pak and Anne-Marie Rickmann and Lawrence H. Staib and James S. Duncan and Alex Wong},
journal= {arXiv preprint arXiv:2503.16616},
year = {2025}
}