Medical Image Segmentation with InTEnt: Integrated Entropy Weighting for Single Image Test-Time Adaptation

要約

テスト時適応 (TTA) とは、テスト中にトレーニングされたモデルを新しいドメインに適応させることを指します。
既存の TTA 技術は、同じドメインから複数のテスト画像を取得することに依存していますが、データ取得に費用がかかり、画像条件が頻繁に変化する医療画像処理などの現実のアプリケーションでは実用的ではない可能性があります。
ここでは、単一のラベルのないテスト画像のみを使用して医療画像セグメンテーション モデルを適応させるというタスクに取り組みます。
予測のエントロピーを直接最小化するほとんどの TTA アプローチは、この設定ではパフォーマンスを大幅に向上させることができません。また、バッチ正規化 (BN) レイヤー統計の選択は、単一の統計しか持たないため、非常に重要ではあるものの不安定な要素であることも観察されています。
テストドメインの例。
これを克服するために、代わりに、エントロピー統計に基づいて重み付けされた、トレーニング統計とテスト統計の間のターゲット ドメイン統計のさまざまな推定値を使用して行われた過剰予測を統合することを提案します。
3 つの医療画像データセットにわたる 24 のソース/ターゲット ドメイン分割で検証された私たちの手法は、主要な手法を Dice 係数で平均 2.9% 上回っています。

要約(オリジナル)

Test-time adaptation (TTA) refers to adapting a trained model to a new domain during testing. Existing TTA techniques rely on having multiple test images from the same domain, yet this may be impractical in real-world applications such as medical imaging, where data acquisition is expensive and imaging conditions vary frequently. Here, we approach such a task, of adapting a medical image segmentation model with only a single unlabeled test image. Most TTA approaches, which directly minimize the entropy of predictions, fail to improve performance significantly in this setting, in which we also observe the choice of batch normalization (BN) layer statistics to be a highly important yet unstable factor due to only having a single test domain example. To overcome this, we propose to instead integrate over predictions made with various estimates of target domain statistics between the training and test statistics, weighted based on their entropy statistics. Our method, validated on 24 source/target domain splits across 3 medical image datasets surpasses the leading method by 2.9% Dice coefficient on average.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google