摘要

本文由Qian Zeng等人在电子科技大学提出，针对青光眼诊断中使用眼底摄影图像时遇到的不同设备和位置的图像变化（即域偏移）问题，提出了一种新颖的基于图引导的测试时适应（GTTA）框架。该框架通过整合眼底图像的拓扑信息到模型训练中，增强了模型的可迁移性，并减少了学习虚假相关性的风险。在推理阶段，GTTA引入了一种新的测试时训练目标，使源训练的分类器逐步适应目标模式，同时进行可靠的类条件估计和一致性正则化。实验结果表明，该框架在跨域青光眼诊断基准测试中表现优异，且在不同骨干网络下均显示出优越性。

原理

GTTA框架的工作原理分为两个主要部分：训练阶段和推理阶段。在训练阶段，通过设计一个基于图辅助的关系感知训练（GRT）模块，利用骨干模型提取的隐藏特征学习拓扑关系，从而避免学习到虚假的相关性，并增强模型的可迁移性。在推理阶段，GTTA通过引入测试时预测解模糊（TPD）解决方案，使源训练的决策边界适应于未见过的目标环境，通过减少潜在的语义错位来提高分类器的鲁棒性。

流程

GTTA的工作流程包括以下步骤：

1. 训练阶段：使用GRT模块，通过骨干模型提取的隐藏特征构建关系图，学习图像中不同区域的拓扑关系。
2. 推理阶段：在测试时，使用TPD方法，通过动态更新源模型的权重，利用未标记的目标数据进行在线适应，同时通过类条件估计和一致性正则化来提高预测的准确性和鲁棒性。

应用

GTTA框架的应用前景广泛，特别是在医疗图像分析领域，如青光眼诊断。由于其能够有效处理图像数据中的域偏移问题，该框架可以被扩展到其他存在分布偏移的医疗场景中，提高模型在未知环境中的可迁移性和诊断准确性。