基于多视图共训练的单张图像测试时适应
地球与行星天体物理
2025-09-15 v2 太阳与恒星天体物理
摘要
测试时适应使训练好的模型能够在推理阶段调整到新域，尤其在临床环境中，这种即时适应至�不可或。然而，现有技术依赖大量的目标域数据集，而在需要按患者实时推断的医疗场景中，这些数据集往往不实用且不可获得。此外，当前方法通常只关注二维图像，无法利用医学影像数据的三维丰富性。为此，我们提出了一种用于单张图像测试时适应的基于补丁的多视图共训练方法。该方法通过不确定性引导的自训练，实现特征和预测一致性，仅凭一张测试时图像即可在目标域中实现有效的三维分割。我们在三组公开的乳腺磁共振成像数据集上进行了乳腺肿瘤分割验证，实验结果表明，该方法的性能接近上限监督基准，同时对所有现有最先进方法均取得了平均 Dice 系数提升 3.75%。我们公开了可访问的源码，已集成到流行的 nnUNet 框架中，可在 https://github.com/smriti-joshi/muvi.git 获取。
引用
@article{arxiv.2506.23704,
title = {The NEID Earth Twin Survey. III. Survey Performance After Three Years on Sky},
author = {Arvind F. Gupta and Evan Fitzmaurice and Suvrath Mahadevan and Paul Robertson and Jacob K. Luhn and Jason T. Wright and Sarah E. Logsdon and Daniel M. Krolikowski and Leonardo A. Paredes and Chad F. Bender and Mark R. Giovinazzi and Andrea S. Lin and Cullen H. Blake and Caleb I. Cañas and Eric B. Ford and Samuel P. Halverson and Shubham Kanodia and Michael W. McElwain and Andrew Monson and Joe P. Ninan and Jayadev Rajagopal and Arpita Roy and Christian Schwab and Guðmundur Stefánsson and Ryan C. Terrien},
journal= {arXiv preprint arXiv:2506.23704},
year = {2025}
}
备注
Accepted for publication in the Astronomical Journal. 27 Pages, 12 Figures (including 5 Figure sets which are included in the source files)