腾讯网站网站优化seo方案

腾讯网站,网站优化seo方案,昆明市最新消息,徽文化网站建设方案书2025.12.17这篇文章发表于《Medical Image Analysis》期刊#xff08;2026 年第 108 卷#xff09;#xff0c;由电子科技大学、上海人工智能实验室等机构学者撰写#xff0c;聚焦医学图像分割中的单图像持续测试时自适应问题。Title题目01SicTTA: Single image continual …2025.12.17这篇文章发表于《Medical Image Analysis》期刊2026 年第 108 卷由电子科技大学、上海人工智能实验室等机构学者撰写聚焦医学图像分割中的单图像持续测试时自适应问题。Title题目01SicTTA: Single image continual test time adaptation for medical image segmentationSicTTA医学图像分割的单图像持续测试时间适应文献速递介绍02深度学习模型在医学图像分割领域取得了显著进展但在真实世界应用中由于成像技术、医疗中心和扫描仪类型等差异模型性能常因域偏移而下降。无监督域适应UDA旨在通过对齐不同域的数据分布来解决此问题但这通常需要访问源数据或对大量目标域数据进行训练在数据隐私受限或需要实时推理的临床场景中不切实际。源无关域适应SFDA虽无需源数据但通常仍需在大量目标域数据上进行多轮训练。测试时间适应TTA作为一种新兴解决方案允许模型在无需修改训练过程或访问源数据的情况下直接适应新的测试数据分布。然而现有TTA方法面临两大主要限制1需要相对较大的测试批次2假设目标域分布是静态的。在实时诊断等临床环境中需要处理单个图像且数据分布持续变化。基于反向传播的TTA方法常因伪标签不可靠导致错误累积和灾难性遗忘而非反向传播方法则因特征分布调整能力有限而效果不佳。本文旨在解决单图像持续测试时间适应SICTTA这一具有挑战性的场景。研究观察到源模型对目标域测试图像的适应性存在显著差异部分图像称之为源友好目标SFT图像的预测效果较好其特征空间接近源域的边界情况可作为适应其他测试图像的中间参考。基于此本文提出SicTTA通过类别紧凑密度CCD准则筛选SFT图像构建SFT图像和特征池。这些池被非SFT图像查询以创建源对齐增强批次从而提高批归一化统计的鲁棒性并通过相似性驱动的特征融合进一步对齐特征。该方法无需反向传播更新模型参数有效防止灾难性遗忘提升实时推理效率并兼容任何编解码器网络架构。Aastract摘要02测试时间适应TTA通过在测试阶段适应未见领域来增强模型的鲁棒性。然而现有TTA方法常依赖大批量数据或伪标签生成这在临床环境中数据受限且分布持续变化的场景下不切实际。此外伪标签可能无法与源域分布对齐导致结果不可靠。为解决这些挑战本文提出SicTTA一种用于医学图像分割的单图像持续测试时间适应新方法。SicTTA引入类别紧凑密度CCD分析来评估不确定性并选择与源模型知识紧密对齐的源友好目标SFT图像。该方法维护一个SFT图像和特征池采用先进先出策略管理大小限制。对于非SFT图像源对齐批次增强SABE根据潜在特征相似性选择前K个图像形成增强批次以改善统计归一化。此外相似性驱动特征融合SFF将测试图像与增强批次的分布对齐从而保留关键特征。SicTTA在眼底图像和心脏结构分割任务中优于七种最先进的TTA方法在连续目标域上相较于源模型Dice分数分别提高了8.22和8.15个百分点。Method方法03本文提出的SicTTA方法包含三个核心组件旨在实现单图像持续测试时间适应。首先是“类别紧凑密度CCD”方法用于高效筛选“源友好目标SFT”图像。CCD通过计算源模型对测试图像的预测概率softmax输出的类间相似性矩阵的熵来评估分割质量。较低的CCD值表示更高的类紧凑性和较低的分割不确定性从而指示更好的分割质量。CCD的优势在于其能够捕捉语义信息对不平衡类别更鲁棒且仅需单次前向传播计算高效。SFT图像及其特征和CCD值被维护在一个固定长度的池队列中采用先进先出FIFO策略进行更新以适应动态域分布并控制内存消耗。其次是“源对齐批次增强SABE”策略。对于每个新的非SFT测试图像其特征被用作查询从SFT特征池中选择与其余弦相似度最高的前K个SFT图像的特征。这些SFT图像与当前测试图像共同构成一个“增强批次”。然后利用这个增强批次来计算更稳定和具有代表性的归一化统计量均值和方差替代单图像归一化带来的不稳定性从而提供更可靠的批归一化参数。最后是“相似性驱动特征融合SFF”策略。SFF旨在通过动态融合测试图像特征与最相似的K个SFT特征来弥合领域差距。融合权重基于余弦相似度并采用指数加权函数确保高相似度的SFT特征对融合结果贡献更大。融合后的特征会替换增强批次中的相应特征并结合新的增强批次统计量通过预测解码器生成最终的分割结果。这种非参数化的特征融合方式能够自适应地调整测试图像特征使其更好地与SFT图像对齐从而提高泛化能力和分割精度。Discussion讨论04SFT图像分析通过T-SNE可视化表明SFT图像的特征更接近源图像特征的边界而非SFT图像特征则更远离这支持了SFT图像可作为源域与目标域之间桥梁的直觉。经过SicTTA适应后非SFT图像的特征与SFT图像更好地对齐证实了特征融合对弥合域差距的有效性。类别紧凑密度CCD作为SFT图像筛选指标其与真实Dice分数之间具有0.9506的高皮尔逊相关系数远高于熵指标的0.0894表明CCD能够准确评估分割质量并有效筛选高品质SFT图像。此外CCD在UNet加入高斯噪声和SegFormer等不同骨干网络下均表现出鲁棒性和通用性。关于抗遗忘能力SicTTA在多轮循环测试B→C→D→B→C→D和随机打乱域顺序的设置下性能均保持稳定没有出现显著下降并且持续优于CoTTA等方法证明了其强大的抗灾难性遗忘能力。在计算效率方面SicTTA的单图像适应时间为0.063秒眼底数据集远快于CoTTA和InTEnt虽然略慢于PTBN但性能更高。GPU内存占用也相对高效。本工作主要针对中等程度的域偏移场景如不同扫描仪厂商、采集协议或患者群体的差异在此类情况下源模型性能虽下降但不完全失效能够成功进行适应且无需目标域标注或源域访问。然而该框架目前主要针对基于CNN的分割架构设计对于Transformer模型如SegFormer由于其LayerNorm特性和基于Token的表示SABE和SFF的直接应用存在挑战。未来工作将探索扩展到基于Transformer的架构开发兼容LayerNorm的注意力引导融合策略和归一化方案并增强处理更严重域偏移的能力。Conclusion结论05本文提出了一种名为SicTTA的单图像持续测试时间适应方法专门针对医学图像分割中单测试图像持续分布变化的挑战。SicTTA首先开发了类别紧凑密度CCD过滤技术以在测试期间识别源友好目标SFT图像。随后建立并维护一个SFT图像和特征池采用先进先出策略管理有限的池大小。针对当前测试图像从SFT池中选取K个最相似的图像与测试图像共同形成增强批次以进行更全面的归一化。此外提出了一种相似性驱动特征融合SFF方法该方法通过融合特征来使当前测试图像与领域特征对齐同时保留其关键信息。在两个多领域数据集上的实验证明SicTTA在性能上优于七种现有TTA领先技术。SicTTA还展现出对灾难性遗忘的强大抵抗力同时在适应时间和GPU内存使用方面保持高效率使其成为实时医学图像分割任务的高度实用解决方案。Results结果06SicTTA在多域眼底图像分割和心脏结构分割任务中表现出卓越性能。在眼底数据集上SicTTA的Dice分数达到80.24%平均对称表面距离ASSD降至5.01mm相较于源模型Dice分数提升了8.22个百分点ASSD显著降低。与PTBN、TENT、MT、CoTTA、SAR、InTEnt和VPTTA等七种最先进的TTA方法相比SicTTA在单图像持续TTA场景下表现显著优越。即使其他方法采用10的批次大小其性能仍未能达到SicTTA单图像适应的水平。定性评估显示SicTTA在眼底图像上实现了更准确的分割有效避免了欠分割或过分割。在MMS心脏分割数据集上面对B、C、D域的顺序测试基于反向传播的TTA方法如TENT、MT、CoTTA在域偏移下性能显著下降甚至劣于源模型。而SicTTA的平均Dice分数达到77.88%ASSD降至3.13mm显著优于源模型和所有现有方法。消融研究证实了SicTTA中SABE和SFF每个组件的有效性例如单独引入SABE可使Dice分数从71.24%提高到73.62%SFF也能将结果提升至72.92%且本文提出的相似性融合方法优于简单平均或卷积融合。队列更新策略的比较显示FIFO与无更新、随机删除、域重置等策略取得了相似的Dice分数77.85%至77.88%但FIFO在保持性能的同时大幅提高了效率处理单张图像时间从1.318s降至0.060s。超参数敏感性分析表明当池长度L大于10时模型性能保持稳定K5在统计对齐、分割精度和计算效率之间达到最佳平衡α10在SFT图像质量和数量之间提供了最佳折衷。这些结果共同证明了SicTTA在复杂域偏移环境下的有效性、鲁棒性和效率。Figure图07图1.单图像和时变数据分布的挑战。(a) 基于反向传播方法的局限性示意图。(b) 批次大小对TTA性能的影响使用MMs数据集。(c) 在持续测试时间适应下MMs数据集在域序列B→C→D→B→C→D上的抗遗忘性能每次都从先前适应的模型继续。(d) 源模型在目标图像上的性能显示出显著差异。一小部分目标图像的直方图与源域和主要目标域的直方图相似其特征空间位于真实源空间边界。图2.SicTTA概览。对于每个测试图像我们使用源模型的预测和类别紧凑密度CCD来识别源友好目标SFT图像然后应用源对齐批次增强SABE和相似性驱动特征融合SFF进行最终预测。图3.不同单图像TTA方法在眼底数据集目标域C上的性能演变比较。后期阶段的值对每20张图像进行了平均以进行平滑处理。图4.SicTTA超参数在MMS数据集Domain B上的敏感性分析。(a) 显示池长度L变化的影响。(b) 比较不同K值下的批次统计偏差MAE与源以及Dice分数。(c) 说明CCD阈值α的影响其中较低的α值产生更高质量和更少数量的SFT图像。α100对应于将所有样本视为SFT而不进行选择。图5.SicTTA超参数在MMS数据集Domain B上的敏感性分析。(a) 显示池长度L变化的影响。(b) 比较不同K值下的批次统计偏差MAE与源以及Dice分数。(c) 说明CCD阈值α的影响其中较低的α值产生更高质量和更少数量的SFT图像。α100对应于将所有样本视为SFT而不进行选择。图6.SFT图像分析。(a) 源图像、SFT图像和非SFT图像特征的T-SNE可视化(b) 应用SicTTA方法后目标图像的特征(c) CCD与基于熵的预测质量估计和Dice分数之间的相关性分析。点通过每20个点平均进行平滑处理以减少噪声r表示度量与Dice分数之间的皮尔逊相关系数。所有实验均在MMS数据集的Domain B上进行。图7.SicTTA上的抗遗忘性能。(a) 目标域的多轮顺序测试模拟持续暴露于相同域。(b) “打乱目标域”设置其中多个目标域合并为单个集合并在每轮中随机打乱其顺序因此相邻测试图像可能来自不同的域。