核心概念
提出一種名為PASS的測試時適應框架,通過聯合學習兩種類型的提示(輸入空間提示和語義感知提示)來同時減輕樣式偏移和形狀不一致的問題,以提高醫療影像分割的性能。
摘要
本文提出了一種名為PASS的測試時適應(TTA)框架,用於解決醫療影像分割中的樣式偏移和形狀不一致問題。
-
除了常見的樣式偏移問題,文章首次強調了形狀變異性是導致分割模型性能下降的另一個關鍵因素。
-
PASS框架包括兩個主要組件:
- 輸入裝飾器(ID):動態生成輸入相關的視覺提示,以減輕樣式偏移。
- 跨注意力提示調制器(CAPM):從一個豐富的形狀提示庫中選擇與當前樣本最相關的形狀提示,以彌補語義形狀差異。
-
為了避免在連續在線TTA設置中對特定測試樣本的過度擬合,提出了交替動量更新(AMU)策略,通過動態調整動量因子來保持模型的穩定性和快速收斂。
-
在多個醫療影像分割數據集上的實驗結果表明,PASS在線上和離線TTA設置下均優於現有的TTA方法。
統計資料
在OD/OC分割任務中,PASS的平均DSC分數為89.55%,優於其他方法。
在前列腺MRI分割任務中,PASS的平均DSC分數為79.68%,優於其他方法。
在OD/OC分割任務中,PASS的平均HD95分數為14.26,優於其他方法。
在前列腺MRI分割任務中,PASS的平均HD95分數為15.47,優於其他方法。
引述
"除了常見的樣式偏移問題,文章首次強調了形狀變異性是導致分割模型性能下降的另一個關鍵因素。"
"PASS框架包括兩個主要組件:輸入裝飾器(ID)和跨注意力提示調制器(CAPM)。"
"為了避免在連續在線TTA設置中對特定測試樣本的過度擬合,提出了交替動量更新(AMU)策略。"