S$^3$-TTA：面向生物医学图像分割的测试时增强中的尺度-风格选择
计算机视觉与模式识别
2024-02-29 v2
摘要
深度学习模型已在生物医学图像分割中取得成功。为在真实部署中泛化，常采用测试时增强（TTA）方法将测试图像变换为不同版本，以期更接近训练域。遗憾的是，由于实例尺度与图像风格的巨大多样性，许多增强测试图像产生不理想结果，从而降低整体性能。本工作提出新 TTA 框架 S-TTA，其基于变换一致性度量为每个测试图像选择合适的图像尺度与风格。此外，S-TTA 构建端到端增强-分割联合训练流水线以确保面向任务的增强。在细胞与肺分割的公开基准上，S-TTA 仅通过在测试阶段增强输入数据，分别较先前最优提升 3.4% 与 1.3%。
引用
@article{arxiv.2310.16783,
title = {S$^3$-TTA: Scale-Style Selection for Test-Time Augmentation in Biomedical Image Segmentation},
author = {Kangxian Xie and Siyu Huang and Sebastian Andres Cajas Ordonez and Hanspeter Pfister and Donglai Wei},
journal= {arXiv preprint arXiv:2310.16783},
year = {2024}
}