医学图像分割的 test-time 生成性增强
摘要
医学图像分割是临床诊断、治疗规划和监控的关键，但分割模型常因遮挡、模糊边界和 imaging device 差异等不确定性而难以应对。传统的 test-time augmentation (TTA) 技术通常依赖于预定义的几何和光学变换，限制了其在复杂医疗情景下的 adaptability 和 effectiveness。本研究提出了一种针对医学图像分割在推理阶段的 test-time 生成性增强 (TTGA) 的 novel 策略。不同于常规增强策略那些过于 random 或灵活性有限的局限，TTGA 利用 domain-fine-tuned 生成模型产生与每个 test image 特征相适应的上下文相关且多样化的增强。基于 diffusion model inversion，提出一种 masked null-text inversion 方法，以实现采样期间的 region-specific 增强。此外，设计了 dual denoising 路径以 balance precise identity preservation 与 controlled variability。我们通过跨越三个不同分割任务的九个数据集中的 extensive 实验演示了 TTGA 的有效性。我们的 results 持续表明，TTGA 不仅在分割 accuracy 上提高 (DSC 提升范围 0.1% 至 2.3%)，而且提供 pixel-wise error 估计 (DSC 提升范围 1.1% 至 29.0%)。该 method 的 source code 和 demonstration 已发布于 https://github.com/maxiao0234/TTGA。
关键词
引用
@article{arxiv.2406.17608,
title = {Test-time generative augmentation for medical image segmentation},
author = {Xiao Ma and Yuhui Tao and Zetian Zhang and Yuhan Zhang and Xi Wang and Sheng Zhang and Zexuan Ji and Yizhe Zhang and Qiang Chen and Guang Yang},
journal= {arXiv preprint arXiv:2406.17608},
year = {2026}
}
备注
Accepted for publication in Medical Image Analysis (MedIA). Finalized version. Vol. 109, March 2026