SegTTA：无需训练 零样本医学成像分割的测试时间增强

日益先进的数据增强技术极大地帮助了临床医学研究，增加了数据多样性并提高了模型泛化能力。虽然目前大多数基本模型都表现出很强的泛化能力，但由于设备和操作人员的差异，图像质量存在差异。为了应对这些挑战，我们提出了 SegTTA，这是一个框架，通过将四种增强功能（伽玛校正、对比度增强、高斯模糊、高斯噪声）与多个 MedSAM2 检查点的加权投票相结合，无需模型重新训练即可改进医学图像分割。实验证明了三个不同数据集的一致改进：健康子宫分割、子宫肌瘤检测和多类肝脏结构分割。消融研究表明，大器官受益于强度增强，而小病变则需要噪声增强。投票阈值控制覆盖精度权衡，从而能够针对不同的临床要求实现特定于任务的优化。最终，在多类肝血管数据集上，与 MedSAM2 基线相比，我们的方法实现了 mIoU 增加 1.6 和 aIoU 增加 1.9，同时 HD95 减少约 2.0。代码可在 https://github.com/AIGeeksGroup/SegTTA 获取。