基于语义提示增强图聚类的医学图像分割持续测试时适应方法——SPEGC
计算机视觉与模式识别
2026-03-13 v1 人工智能
摘要
在医学图像分割任务中，训练数据与测试数据收集方式差异导致的领域间隙严重阻碍了预训练模型在临床实践中的部署。持续测试时适应 (CTTA) 旨在使预训练模型适应持续变化的无标签领域，为解决此问题提供了有效途径。然而，现有 CTTA 方法常依赖不可靠的监督信号，引发误差累积的自强化循环，最终导致性能恶化。为此，我们提出一种基于语义提示增强图聚类的 CTTA 方法（SPEGC）。首先，设计语义提示特征增强机制，通过解耦的 commonality 与 heterogeneity 提示池注入全局语境信息，以缓解局部特征在领域迁移下的易受噪声干扰。其次，基于这些增强特征，设计可微分图聚类求解器，将全局边稀疏表述为最优传输问题，使其能够端到端地将原始相似矩阵提炼为精炼且高阶的结构表示。最后，该鲁棒结构表示用于指导模型适应，确保预测在聚类层面上保持一致，并动态调整决策边界。大量实验表明，SPEGC 在两种医学图像分割基准上均优于其他最新 CTTA 方法。源码已公开于 https://github.com/Jwei-Z/SPEGC-for-MIS。
引用
@article{arxiv.2603.11492,
title = {SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation},
author = {Xiaogang Du and Jiawei Zhang and Tongfei Liu and Tao Lei and Yingbo Wang},
journal= {arXiv preprint arXiv:2603.11492},
year = {2026}
}
备注
Accepted to CVPR 2026. 16 pages, 7 figures