用于腹部多器官与肿瘤分割的持续学习
图像与视频处理
2023-07-24 v2 计算机视觉与模式识别
机器学习
摘要
动态扩展模型以适应新数据和类别的能力，对于多器官与肿瘤分割至关重要。然而，由于隐私法规，在医学领域访问既往数据和标注可能存在问题。这在学习新类别时因灾难性遗忘问题而构成保持旧类别高分割精度的重大障碍。本文中，我们首先通过经验证明，在器官分割设定下，仅使用高质量伪标签即可相当程度地缓解该问题。此外，我们提出一种专为连续器官与肿瘤分割设计的创新架构，其计算开销极小。我们提出的设计用一组轻量的、类别特定的头替换常规输出层，从而提供容纳新出现类别的灵活性。这些头对新引入和先前学习的类别进行独立预测，在持续学习过程中有效最小化新类别对旧类别的影响。我们进一步提出将 Contrastive Language-Image Pretraining (CLIP) 嵌入整合进器官特定头中。这些嵌入蕴含每个类别的语义信息，由大规模图像-文本协同训练所得。所提方法在腹部 CT 的器官与肿瘤分割任务上，于内部与公共数据集进行了评估。经验结果表明，所提设计沿学习轨迹提升了基线神经网络在新引入和先前学习类别上的分割性能。
引用
@article{arxiv.2306.00988,
title = {Continual Learning for Abdominal Multi-Organ and Tumor Segmentation},
author = {Yixiao Zhang and Xinyi Li and Huimiao Chen and Alan Yuille and Yaoyao Liu and Zongwei Zhou},
journal= {arXiv preprint arXiv:2306.00988},
year = {2023}
}
备注
MICCAI-2023