FunOTTA：通过稳定的测试时训练实现跨领域眼底图像的即时适应

《IEEE Transactions on Medical Imaging》：FunOTTA: On-the-Fly Adaptation on Cross-Domain Fundus Image via Stable Test-time Training

Fundus图像眼病筛查中预训练模型面临跨域适应难题，FunOTTA框架通过动态消融和类条件估计实现稳定域适应，实验表明其优于现有TTA方法并支持多模型基线。

　　

摘要：

眼底图像对于早期筛查和检测眼疾至关重要。虽然利用眼底图像的深度学习模型在多种眼疾的诊断方面取得了显著进展，但来自不同成像设备和位置的图像差异（称为“领域偏移”）给在实际应用中部署预训练模型带来了挑战。为了解决这一问题，我们提出了一种新颖的“即时测试时适应”（FunOTTA）框架，该框架能够有效地将眼底图像诊断模型泛化到未见过的环境中，即使在存在严重领域偏移的情况下也能发挥作用。FunOTTA 的优势在于其稳定的适应过程：它通过在内存库中执行动态消歧来最小化有害的先验知识偏差。此外，我们在适应过程中引入了一种新的训练目标，使分类器能够通过可靠的类别条件估计和一致性正则化逐步适应目标模式。我们将我们的方法与几种先进的测试时适应（TTA）流程进行了比较。在两种眼疾的跨领域眼底图像基准测试中，证明了整个框架及其各个组件的优越性。代码可在以下链接获取：https://github.com/Casperqian/FunOTTA。