超越持续医学图像分割中的遗忘：一项综合基准研究

持续学习（CL）对于在成像域、解剖目标和诊断任务随时间演变的临床环境中部署医学图像分割模型至关重要。然而，持续分割仍面临三个主要挑战。首先，该任务的场景对于真实世界的临床环境仍未充分标准化。其次，现有研究主要集中在缓解遗忘上，忽略了可塑性等其他基本属性。第三，仍需要一项对现有方法进行全面评估的基准研究。为了填补这些空白，我们提出了这样一项关于持续医学图像分割的基准研究。我们首先定义了三种临床驱动的场景，即 Domain-CL、Class-CL 和 Organ-CL，分别用于捕捉跨中心域偏移、增量解剖结构分割和跨器官分割。然后，我们引入了一个评估框架，不仅衡量总体性能和遗忘程度，还衡量可塑性、前向泛化能力、参数效率和回放负担。基于代表性 CL 方法的大量实验结果表明，开发一个能同时满足所有要求的模型仍然具有挑战性。尽管如此，这些研究也表明，基于回放的方法在稳定性和可塑性之间实现了最佳的整体平衡；参数隔离方法应能有效减少遗忘，但代价是模型尺寸增加；而前向泛化能力仍然是该研究领域中一个显著未被充分研究的方面。最后，我们讨论了相关的学习范式，并概述了持续医学图像分割的未来方向。