SicTTA：面向医学图像分割的单图像连续测试时间自适应方法研究

本文针对医学图像分割中测试数据分布动态变化的挑战，提出了一种创新的单图像连续测试时间自适应（SicTTA）方法。通过类别紧凑密度（CCD）分析筛选源友好目标（SFT）图像，结合源对齐批量增强（SABE）和相似性驱动特征融合（SFF）策略，在不依赖反向传播更新模型参数的前提下，显著提升了模型在连续域偏移下的分割精度（Dice分数提升超8个百分点），为临床实时诊断提供了高效可靠的解决方案。

　　

我们的主要贡献如下：

• •
  • 我们提出了一种基于源友好目标（Source-Friendly Target, SFT）的新型单图像连续测试时间自适应方法，用于医学图像分割。该方法引入高效的类别紧凑密度（Class Compact Density, CCD）技术，以识别目标域中位于源域和主要目标域分布之间的SFT图像。
• •
  • 我们提出了一种源对齐批量增强（Source-Aligned Batch Enhancement, SABE）策略，为自适应过程中的归一化提供更稳健的统计信息。该策略将测试图像与其最相似的SFT图像组合，形成一个增强的批次。
• •
  • 我们提出了一种相似性驱动特征融合（Similarity-driven Feature Fusion, SFF）策略，将当前测试图像的特征与增强批次中的特征进行对齐，从而增强潜在特征的兼容性，实现更优的归一化效果和更准确的测试预测。

方法

图2展示了我们提出的用于单图像连续测试时间自适应的SicTTA方法概览。首先，基于测试数据集分布的异质性，我们识别出一组源友好目标（SFT）图像，其分布位于主要目标域图像和源域边界样本之间。这些SFT图像可以作为中介，协助其他目标域测试图像的自适应。然后，我们提出类别紧凑密度方法...

数据集

我们在两个公共多领域医学图像分割数据集上验证了所提出的方法：

结论

总而言之，我们介绍了一种专为医学图像分割设计的单图像连续测试时间自适应（SicTTA）方法，能够适应单张测试图像的持续分布变化。首先，我们开发了一种类别紧凑密度（CCD）过滤技术，用于在测试过程中识别源友好目标（SFT）图像。随后，我们建立了一个SFT图像池和一个特征池，并遵循先进先出策略来管理有限池大小内的SFT内容。我们...