Cet article vise à améliorer les performances de MedSAM, le modèle de base le plus populaire pour la segmentation d'images médicales. MedSAM est vulnérable aux perturbations causées par les invites de la boîte englobante et présente de faibles performances pour certaines lésions aux structures et apparences complexes. Les méthodes d'adaptation au temps de test (TTA) existantes peuvent résoudre ces problèmes, mais leur efficacité est limitée par la limitation des mises à jour des paramètres et leur complexité de calcul est également élevée. Dans cet article, nous analysons théoriquement que l'intégration d'images peut être directement améliorée sous la structure MedSAM pour atteindre le même objectif que les mises à jour des paramètres, et proposons une nouvelle méthode TTA qui améliore l'efficacité de calcul, les performances de segmentation et évite le problème d'oubli. La méthode proposée combine la perte de champ aléatoire conditionnel latent approximatif distributionnel et la perte de minimisation d'entropie pour maximiser la probabilité conditionnelle factorisée de la probabilité de prédiction postérieure. Les résultats expérimentaux montrent que le score de Dice est amélioré d'environ 3 % sur trois jeux de données, tout en réduisant la complexité de calcul de plus de 7 fois.
