SegTTA：用于零-shot医学影像分割的训练-free test-time augmentation
计算机视觉与模式识别
2026-04-21 v1
摘要
越来越先进的数据增强技术在临床医学研究中发挥了重要作用，增加了数据多样性并提升了模型的泛化能力。虽然大多数当前基本模型都表现出强大的泛化能力，但由于设备和操作员的差异，图像质量会有所变化。为此，我们提出了SegTTA框架，通过组合四种数据增强（伽马校正、对比度增强、高斯模糊、高斯噪声）和跨多个MedSAM2 checkpoint的加权投票来提高医学图像分割效果，而无需模型重新训练。实验表明，该方法在三个多样化数据集上均能实现一致的改进：健康子宫分割、子宫肌瘤检测以及多类肝结构分割。消融研究揭示，大型器官受强度增强影响，而小病灶则需要噪声增强。投票阈值控制覆盖精度与灵敏度之间的权衡，实现针对不同临床需求的task-specific优化。最终，在多类肝血管数据集上，我们的方法相对于MedSAM2基线实现了mIoU提高1.6、aIoU提高1.9，HD95降低约2.0。代码将在 https://github.com/AIGeeksGroup/SegTTA 上提供。
引用
@article{arxiv.2604.17451,
title = {SegTTA: Training-Free Test-Time Augmentation for Zero-Shot Medical Imaging Segmentation},
author = {Yihong Yao and Chunlei Li and Canxuan Gang and Wenzhi Hu and Zeyu Zhang and Hao Zhang and Xiaoyan Li},
journal= {arXiv preprint arXiv:2604.17451},
year = {2026}
}