迈向临床医生偏好的分割：利用人在回路进行医学图像分割的测试时自适应
计算机视觉与模式识别
2024-05-15 v1
摘要
基于深度学习的医学图像分割模型在不同医疗中心部署时，常面临性能下降的问题，这在很大程度上归因于数据分布的差异。测试时自适应（Test Time Adaptation, TTA）方法通过将预训练模型适配到测试数据，已被用于缓解此类差异。然而，现有的 TTA 方法主要侧重于操作批归一化（Batch Normalization, BN）层或采用提示学习与对抗学习，这可能无法有效纠正由不同数据分布引起的不一致性。在本文中，我们提出了一种新颖的人在回路 TTA（HiTTA）框架，该框架在两个重要方面表现突出。首先，它利用了很大程度上被忽视的临床医生校正预测的潜力，将这些校正整合到 TTA 过程中，以引导模型做出更符合临床标注偏好的预测。其次，我们的框架设计了一种散度损失，旨在通过仔细校准 BN 参数，来减小由域差异引起的预测散度。我们的 HiTTA 的显著特点在于其双面能力：既能适应测试数据的分布，又能确保模型的预测符合临床预期，从而增强了其在医疗环境中的适用性。在公开数据集上的大量实验突显了我们的 HiTTA 相对于现有 TTA 方法的优越性，强调了整合人类反馈与我们的散度损失在提升模型跨不同医疗中心的性能与适应性方面的优势。
引用
@article{arxiv.2405.08270,
title = {Towards Clinician-Preferred Segmentation: Leveraging Human-in-the-Loop for Test Time Adaptation in Medical Image Segmentation},
author = {Shishuai Hu and Zehui Liao and Zeyou Liu and Yong Xia},
journal= {arXiv preprint arXiv:2405.08270},
year = {2024}
}