Loading...
机构名称:
¥ 1.0

在测试时将源模型调整到目标数据分布是解决数据移位问题的有效方法。以前的方法通过使用熵最小化或正则化等技术使模型适应目标分布来解决此问题。在这些方法中,模型仍然通过对完整测试数据分布使用无监督损失的反向传播进行更新。在现实世界的临床环境中,由于隐私问题和部署时缺乏计算资源,动态地将模型调整到新的测试图像并避免在推理过程中更新模型更有意义。为此,我们提出了一种新的设置 - 动态自适应,它是零样本和偶发的(即,模型一次适应单个图像,并且在测试时不执行任何反向传播)。为了实现这一点,我们提出了一个名为 Adaptive UNet 的新框架,其中每个卷积块都配备了一个自适应批量归一化层,以根据域代码调整特征。域代码是使用专门针对医学图像进行训练的域先验生成器生成的。在测试时,模型仅接收新的测试图像并生成域代码以根据测试数据实例调整源模型的特征。我们验证了 2D 和 3D 数据分布偏移的性能,与以前的测试时自适应方法相比,我们在测试时不执行反向传播的情况下获得了更好的性能。关键词:测试时自适应、医学图像分割。

医学图像分割的实时测试时间自适应

医学图像分割的实时测试时间自适应PDF文件第1页

医学图像分割的实时测试时间自适应PDF文件第2页

医学图像分割的实时测试时间自适应PDF文件第3页

医学图像分割的实时测试时间自适应PDF文件第4页

医学图像分割的实时测试时间自适应PDF文件第5页