基于原型引导校准与双对齐蒸馏的类递增医学图像分割
计算机视觉与模式识别
2025-12-30 v2
摘要
类递增医学图像分割 (CIMIS) 旨在学习新类别时保留先前学习类别的知识，且无需依赖旧类别标签。然而，现有方法 1) 采用单一策略对所有空间区域和特征通道平等对待，可能阻碍准确保留旧知识；2) 或仅关注将旧类的局部原型与全局原型对齐，忽视其在新数据中的局部表示，导致知识退化。为缓解上述问题，本文提出了原型引导校准蒸馏 (PGCD) 和双对齐原型蒸馏 (DAPD) 用于 CIMIS。具体而言，PGCD 利用原型到特征的相似性，对不同空间区域中的类别特定蒸馏强度进行校准，有效强化可靠的旧知识并抑制来自旧类别的误导信息。补充地，DAPD 将从当前模型中提取的旧类别局部原型与全局原型及局部原型对齐，进一步提升在旧类别上的分割性能。针对两种广泛使用的多器官分割基准，进行了全面评估，结果表明我们的方法优于现有的先进方法，凸显了其鲁棒性与泛化能力。
引用
@article{arxiv.2511.07749,
title = {Class Incremental Medical Image Segmentation via Prototype-Guided Calibration and Dual-Aligned Distillation},
author = {Shengqian Zhu and Chengrong Yu and Qiang Wang and Ying Song and Guangjun Li and Jiafei Wu and Xiaogang Xu and Zhang Yi and Junjie Hu},
journal= {arXiv preprint arXiv:2511.07749},
year = {2025}
}