用于多域海马体分割的对抗式持续学习
图像与视频处理
2021-07-27 v4 计算机视觉与模式识别
机器学习
摘要
医学影像中的深度学习受到数据可用性在时间和隐私相关方面的限制。为了仍然获得可行的模型,持续学习旨在按数据可用的顺序依次训练。持续学习方法面临的主要挑战是防止灾难性遗忘,即早先遇到数据上的性能下降。这一问题使得医学应用分割模型的连续训练极其困难。然而,通常至少有两个不同域的数据可用,我们可以利用它们以忽略域特定信息的方式训练模型。我们提出了一种架构,利用两个或更多数据集的同时可用性,以对抗方式学习内容与域之间的解耦。域不变的内容表示随后为持续语义分割奠定基础。我们的方法从域适应中获得灵感,并将其与脑 MRI 中海马体分割的持续学习相结合。我们展示了我们的方法减少了灾难性遗忘,并优于最先进的(state-of-the-art, SOTA)持续学习方法。
引用
@article{arxiv.2107.08751,
title = {Adversarial Continual Learning for Multi-Domain Hippocampal Segmentation},
author = {Marius Memmel and Camila Gonzalez and Anirban Mukhopadhyay},
journal= {arXiv preprint arXiv:2107.08751},
year = {2021}
}