CVPR, 2025
领域适应（DA）：

• 目标：DA的目标是在已知的源域和目标域之间进行模型调整，使得模型在目标域上表现更好。通常假设目标域有标签数据（有监督DA）或无标签数据（无监督DA）。
• 应用场景：DA通常用于离线场景，即在模型部署之前，通过调整模型来适应目标域的分布。例如，在医学图像分割中，源域可能是某个医院的数据，目标域是另一个医院的数据。

测试时适应（TTA）：

• 目标：TTA的目标是在测试阶段，利用无标签的测试数据对预训练模型进行微调，以适应测试数据的分布。TTA假设在测试时可以访问测试数据，但这些数据没有标签。
• 应用场景：TTA适用于在线场景，即在模型部署后，根据实际测试数据进行动态调整。例如，在医学图像分割中，模型在部署后可能会遇到与训练时不同的图像风格或设备，TTA可以在测试时快速适应这些变化。

📌一、研究背景

• 问题：在医学图像处理中，预训练模型在实际部署时由于领域偏移，性能会显著下降。现有的测试时适应方法在医学图像分割任务中表现不佳，主要是因为它们忽略了医学图像中固有的形态学先验知识。
• 目标：提出一种新的测试时领域泛化TTDG框架，通过多图匹配方法，利用形态学先验知识，提高模型在未见数据上的泛化能力。

📌二、研究方法

1. 多图匹配框架：

   • 图的构建：从医学图像中提取特征，并根据分割掩码采样节点，构建图结构。每个图包含节点特征和加权邻接矩阵，用于表示结构信息。
   • 宇宙嵌入（Universe Embeddings）：引入可学习的宇宙嵌入，将每个图的节点映射到一个共同的“宇宙”空间中，确保多图匹配的循环一致性（cycle-consistency）。
   • 多图匹配优化：通过高阶投影幂迭代（HiPPI）算法求解宇宙嵌入，优化多图匹配的目标函数，学习领域不变的特征。

2. 测试时适应（TTA）：

   • 在测试阶段，利用预训练的宇宙嵌入作为先验知识，对目标域的图像进行多图匹配。
   • 通过反向传播更新特征提取器和分割头，使模型能够快速适应目标域的分布。

📌三、框架图

📌四、实验

• 数据集：使用了两个医学图像分割数据集，包括视网膜眼底图像分割和息肉分割数据集，涵盖了多个医疗中心的数据。
• 对比方法：与多种现有的领域泛化和测试时适应方法进行比较，包括基于熵的方法、基于形状模板的方法、基于批量归一化的方法等。
• 评估指标：主要使用Dice分数（DSC）作为评估分割准确性的指标，同时使用增强对齐度量（Emax φ）和结构相似性度量（Sα）评估预测与真实标签的一致性。

📌五、实验结果

• 多源领域泛化：在视网膜眼底分割任务中，所提方法在所有测试场景中均优于其他方法，平均DSC比第二好的方法高出2.88%，比无适应方法高出19.09%。在息肉分割任务中，所提方法的平均DSC比第二好的方法高出2.52%，比无适应方法高出7.89%。
• 单源领域泛化：在单源领域泛化任务中，所提方法仍然表现最佳，平均DSC比第二好的方法高出1.83%，比无适应方法高出9.77%。

📌六、关键结论

• 多图匹配的优势：与成对图匹配相比，多图匹配通过循环一致性约束，能够更有效地捕获全局结构信息，避免局部最优解，提高分割精度。
• 形态学先验的重要性：通过宇宙嵌入将形态学先验知识融入图匹配过程中，显著提高了模型在未见数据上的泛化能力。
• 测试时适应的有效性：所提出的测试时适应方法能够在不使用目标域标签的情况下，快速适应新的领域分布，有效缓解领域偏移问题。

原文题目：A Chebyshev Confidence Guided Source-Free Domain Adaptation Framework for Medical Image Segmentation 有代码