利用伪域的连续主动学习用于有限标注资源与变化的采集特性

临床常规中医学影像的机器学习受扫描协议、硬件或策略变化的影响，导致采集设置异构。当在初始静态训练集上训练深度学习模型时，由于数据与目标可能变得不一致，模型性能与可靠性会因采集特性的变化而下降。连续学习可通过在连续数据流上训练使模型适应变化的环境。然而，医学影像的连续人工专家标注需耗费大量精力。因此，在精心挑选的新样本子集上高效利用标注资源是使该策略可行的必要途径。在此，我们提出一种在多扫描仪环境下对医学图像流进行操作的连续主动学习方法。该方法自动识别图像采集特性的偏移——新域——，选择最优样本进行标注并相应调整训练。标注受有限预算限制，类似于典型现实场景。为证明泛化性，我们在三项任务上评估了方法的有效性：心脏分割、肺结节检测与脑龄估计。结果表明，所提方法优于其他主动学习方法，同时有效抵消了灾难性遗忘。