Q-PART：结合测试时训练的准周期自适应回归用于儿童左心室射血分数回归
计算机视觉与模式识别
2025-03-07 v1 机器学习
摘要
在本工作中，我们解决了儿童左心室射血分数（LVEF）评估的自适应挑战。虽然测试时训练（TTT）方法对此任务显示出前景，但它们存在两个显著限制。现有的 TTT 工作主要针对分类任务而非连续值回归设计，并且缺乏处理心脏信号准周期性质的机制。为了解决这些问题，我们提出了一种新颖的准周期自适应回归与测试时训练（Q-PART）框架。在训练阶段，所提出的准周期网络通过结合参数化螺旋轨迹与神经控制微分方程，将超声心动图分解为潜在空间中的周期和非周期分量。在推理阶段，我们的框架进一步采用跨图像增强的方差最小化策略，这些增强模拟了超声心动图采集中的常见质量问题，并对周期和非周期分量采用差异化的适应率。理论分析表明，在温和条件下，我们的方差最小化目标有效地界定了回归误差。此外，在三个儿童年龄组上的广泛实验表明，Q-PART 不仅在儿童 LVEF 预测中显著优于现有方法，而且表现出强大的临床筛查能力，具有高 mAUROC 分数（高达 0.9747），并且在所有指标上保持了性别公平的性能，验证了其在儿童超声心动图分析中的鲁棒性和实际效用。
引用
@article{arxiv.2503.04131,
title = {Q-PART: Quasi-Periodic Adaptive Regression with Test-time Training for Pediatric Left Ventricular Ejection Fraction Regression},
author = {Jie Liu and Tiexin Qin and Hui Liu and Yilei Shi and Lichao Mou and Xiao Xiang Zhu and Shiqi Wang and Haoliang Li},
journal= {arXiv preprint arXiv:2503.04131},
year = {2025}
}
备注
Accepted to CVPR 2025