Este artículo busca mejorar el rendimiento de MedSAM, el modelo base más popular para la segmentación de imágenes médicas. MedSAM es vulnerable a la perturbación causada por las indicaciones de los cuadros delimitadores y presenta un rendimiento deficiente para ciertas lesiones con estructuras y apariencias complejas. Los métodos existentes de adaptación en tiempo de prueba (TTA) pueden resolver estos problemas, pero su efectividad es limitada debido a la limitación de las actualizaciones de parámetros, y su complejidad computacional también es alta. En este artículo, analizamos teóricamente que la incrustación de imágenes puede mejorarse directamente bajo la estructura MedSAM para lograr el mismo objetivo que las actualizaciones de parámetros, y proponemos un nuevo método de TTA que mejora la eficiencia computacional, el rendimiento de la segmentación y evita el problema del olvido. El método propuesto combina la pérdida de campo aleatorio condicional latente aproximada distribucional y la pérdida de minimización de entropía para maximizar la probabilidad condicional factorizada de la probabilidad de predicción posterior. Los resultados experimentales muestran que la puntuación de Dice mejora aproximadamente un 3 % en tres conjuntos de datos, a la vez que reduce la complejidad computacional en más de 7 veces.
