基于分布迁移的无监督源自由生物医学分割模型排序

模型重用为解决生物医学成像分割中的挑战提供了解决方案，其中高的数据标注成本仍是深度学习的主要瓶颈。尽管许多预训练模型通过挑战赛、模型库和存储库发布，但由于缺乏可靠的模型排序方法，选择适用于新数据集的最佳模型仍然困难。我们引入了首个兼容黑盒模型的无监督且源自由的语义和实例分割模型排序框架，基于在扰动下的预测一致性。尽管排序方法已用于分类和少数分割相关方法，但大多数针对相关任务如可移植性估计或模型验证，通常依赖标记数据、特征空间访问或特定训练假设。相反，我们的方法直接针对存储库情境，适用于语义和实例分割，可用于零样子重用或无监督域适应后使用。我们在2D和3D成像中的广泛生物医学分割任务中评估了该方法，表明我们估计的排序与真实目标域模型性能排序高度相关。