用于 4D 医学图像插值的测试时训练
图像与视频处理
2025-02-05 v1 人工智能
计算机视觉与模式识别
摘要
4D 医学图像插值对于提高临床应用中的时间分辨率和诊断精度至关重要。以往的工作忽略了分布偏移问题，导致在不同分布下泛化能力差。一个自然的解决方案是将模型适应到新的测试分布，但如果测试输入没有真实标签，则无法做到这一点。在本文中，我们提出了一种新颖的测试时训练框架，该框架使用自监督来适应新分布，而无需任何标签。实际上，在对每个测试视频执行帧插值之前，模型使用自监督任务（例如旋转预测或图像重建）在相同实例上进行训练。我们在两个公开可用的 4D 医学图像插值数据集 Cardiac 和 4D-Lung 上进行了实验。实验结果表明，所提出的方法在两个数据集的各种评估指标上均取得了显著的性能。它在 Cardiac 上达到了 33.73dB、在 4D-Lung 上达到了 34.02dB 的更高峰值信噪比值。我们的方法不仅推进了 4D 医学图像插值，而且为图像分割和图像配准等其他领域的领域适应提供了模板。
引用
@article{arxiv.2502.02341,
title = {Test Time Training for 4D Medical Image Interpolation},
author = {Qikang Zhang and Yingjie Lei and Zihao Zheng and Ziyang Chen and Zhonghao Xie},
journal= {arXiv preprint arXiv:2502.02341},
year = {2025}
}