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

测试时间适应（TTA）是指在测试过程中将训练模型适应到新领域。现有的TTA技术依赖于来自同一领域的多个测试图像，然而在医学成像等实际应用中，数据采集费用高昂且成像条件经常变化，这可能是不切实际的。在这里，我们尝试使用仅有一张未标记的测试图像来适应医学图像分割模型。大多数直接最小化预测熵的TTA方法在这种情况下无法显著提高性能，我们还观察到批归一化（BN）层统计数据的选择是一个非常重要但不稳定的因素，因为只有一个测试域示例。为了克服这个问题，我们提出了一种方法，即基于它们的熵统计加权地集成在训练和测试统计之间进行预测的各种目标域统计估计。我们的方法在3个医学图像数据集上的24个源/目标域分裂中得到验证，平均超过领先方法2.9％的Dice系数。

在医学图像分割中，如何在只有一个未标记的测试图像的情况下，进行测试时的领域自适应（TTA）？

通过将不同的目标领域统计估计的预测进行加权，以提高性能，避免了只有一个测试领域示例时批归一化（BN）层统计的高度不稳定的问题。

论文在三个医学图像数据集上进行了验证，证明了该方法相对于现有方法的优足2.9%的Dice系数。值得关注的是，该方法在只有一个测试领域示例时仍然表现出色。

最近的相关研究包括使用生成对抗网络进行医学图像分割的研究（M. Ghafoorian等，2017），以及使用深度学习进行医学图像分割的其他领域自适应研究（J. Zhang等，2019）。