دانشگاه صنعتی نوشیروانی بابل مجله علمی رایانش نرم و فناوری اطلاعات 2383-1006 15 1 2026 04 21 Test-Time Augmentation with Multi-Scale Strategies and Test-Time Dropout افزایش داده‌ با تأکید بر استراتژی‌های چندمقیاسی و حذف تصادفی در زمان آزمون 17 28 242548 10.22034/jscit.2026.542434.2162 FA عماد اصغری دانشکده ریاضی، آمار و علوم کامپیوتر، دانشکدگان علوم، دانشگاه تهران، تهران، ایران. هدیه ساجدی دانشکده ریاضی، آمار و علوم کامپیوتر، دانشکدگان علوم، دانشگاه تهران، تهران، ایران. Journal Article 2025 08 24 Skin lesion segmentation, despite advances in deep learning models, still suffers from performance degradation when faced with challenges such as variations in image quality, lesion heterogeneity, and distribution shifts in test data. Since deep learning models are typically trained once in research environments and, after being deployed in clinical systems, retraining or fine-tuning them with new data is not easily feasible due to the need for labeled data, time, and substantial computational resources this study proposes a lightweight, architecture-free approach to enhance the inference performance of the baseline EGE-UNet model. The proposed method applies two complementary test-time techniques Test-Time Augmentation (TTA) and Test-Time Dropout (TTD) along with their multi-scale variant, as an additional inference layer without modifying the pretrained network. The core idea is to generate multiple augmented or rescaled versions of the input image and execute the pretrained model multiple times with active Dropout, producing more stable and reliable predictions through appropriate averaging. Experiments on the ISIC2017 and ISIC2018 datasets show that combining TTA and TTD improves segmentation accuracy and reduces prediction variance compared to the baseline, while the combining multi-scale version of TTA and TTD yields sharper boundary delineation in ISIC2017; However, there was no improvement in ISIC2018. Because the proposed strategy requires no retraining and can be applied to any segmentation architecture, it represents a practical and low-overhead solution for improving inference robustness in medical imaging applications. بخش‌بندی ضایعات پوستی با وجود پیشرفت مدل‌های یادگیری عمیق همچنان در مواجهه با چالش‌هایی مانند تغییر کیفیت تصویر، ناهمگونی ضایعات و اختلاف توزیع داده‌های آزمون دچار کاهش دقت می‌شود. از آن‌جا که مدل‌های یادگیری عمیق معمولاً یک‌بار در محیط‌های پژوهشی آموزش داده می‌شوند و پس از استقرار در سامانه‌های بالینی، بازآموزی یا تنظیم مجدد آن‌ها با داده‌های جدید به‌دلیل نیاز به داده برچسب‌دار، زمان و منابع محاسباتی به‌سادگی انجام نمی‌شود، در این پژوهش روشی سبک و بدون تغییر معماری برای بهبود عملکرد مرحله استنتاج مدل پایه EGE-UNet ارائه می‌شود.در این روش، دو روش مکمل شامل تقویت زمان آزمون (TTA) و حذف تصادفی زمان آزمون (TTD) و نسخه چندمقیاسی TTA، به‌عنوان لایه‌ای افزوده بر خروجی مدل پیش‌آموزش‌دیده اعمال شدند تا پایداری پیش‌بینی‌ها و مقاومت مدل در برابر تغییرات ورودی افزایش یابد. ایده اصلی، ایجاد چند نسخه افزوده‌شده یا مقیاس‌یافته از تصویر و اجرای چندباره مدل با Dropout فعال است که با میانگین‌گیری مناسب، خطای پیش‌بینی کاهش می‌یابد. ارزیابی‌ها روی مجموعه‌داده‌های ISIC2017 و ISIC2018 نشان می‌دهد که ترکیب TTA و TTD موجب بهبود دقت و کاهش نوسان نسبت به مدل پایه می‌شود و ترکیب نسخه چندمقیاسی TTA و TTD در ISIC2017 مرزبندی دقیق‌تری تولید می‌کند؛ هرچند در ISIC2018 بهبودی حاصل نشد. روش پیشنهادی بدون نیاز به بازآموزی، قابل تعمیم به سایر معماری‌های بخش‌بندی بوده و در کاربردهای حساس پزشکی، گزینه‌ای عملی و کم‌هزینه برای افزایش دقت مرحله استنتاج است. https://jscit.nit.ac.ir/article_242548_f55277621ce8c7111471b77b185edfd9.pdf