基于宇宙学习的测试时域泛化：面向医学图像分割的多图匹配方法
计算机视觉与模式识别
2025-03-18 v1 人工智能
摘要
尽管域泛化（DG）已显著缓解了由域偏移导致的预训练模型性能退化问题，但在实际部署中往往仍显不足。测试时适应（TTA）利用未标记的测试数据调整已学习的模型，提供了一种有前景的解决方案。然而，现有的大多数 TTA 方法在医学图像分割中难以取得优异表现，主要因为它们忽略了医学图像固有的关键先验知识。为应对这一挑战，我们引入了形态学信息，并提出了一种基于多图匹配的框架。具体而言，我们在多源训练期间引入了可学习的宇宙嵌入（universe embeddings）以整合形态学先验，并提出了用于域适应的全新无监督测试时范式。该方法在保证多重匹配中循环一致性的同时，使模型能够更有效地捕获未见数据的不变先验，从而显著减轻域偏移的影响。大量实验表明，在两个医学图像分割基准上，针对多源和单源域泛化任务，我们的方法均优于其他最先进的方法。源代码可在 https://github.com/Yore0/TTDG-MGM 获取。
引用
@article{arxiv.2503.13012,
title = {Test-Time Domain Generalization via Universe Learning: A Multi-Graph Matching Approach for Medical Image Segmentation},
author = {Xingguo Lv and Xingbo Dong and Liwen Wang and Jiewen Yang and Lei Zhao and Bin Pu and Zhe Jin and Xuejun Li},
journal= {arXiv preprint arXiv:2503.13012},
year = {2025}
}