利用形状矩进行图像分割的测试时自适应

众所周知，监督学习在分布偏移下的泛化会失败。在典型的临床环境中，源数据不可访问，且目标分布仅由少量样本表示：自适应只能在测试时针对少数甚至单个受试者进行。我们研究了用于分割的测试时单受试者自适应，并提出了一个形状引导的熵最小化目标来解决此任务。在对单个测试受试者进行推理时，我们的损失函数是针对批归一化的缩放和偏置参数进行最小化的。我们展示了整合各种形状先验以引导自适应得到合理解的潜力，并在两个具有挑战性的场景中验证了我们的方法：心脏分割的 MRI 到 CT 自适应以及前列腺分割的跨站点自适应。我们的方法表现出比现有测试时自适应方法显著更好的性能。更令人惊讶的是，尽管它在自适应期间放弃了在额外目标数据上进行训练，但其效果优于 SOTA 的域自适应方法。我们的结果质疑了在分割自适应中在目标数据上进行训练的有用性，并指出了形状先验对测试时推理的实质性影响。我们的框架可以直接用于整合各种先验并自适应任何分割网络，且我们的代码已公开。