基于风格导向回放与域敏感特征白化的域增量心脏图像分割

现有方法在心脏图像分割上展现出有前景的结果，但仅限于静态学习，即一次性优化网络，忽略了模型更新的潜在需求。在真实场景中，新数据随时间持续从多家机构收集，且新需求不断增长以追求更令人满意的性能。期望的模型应从每个到达的数据集增量学习，并随时间推移逐步更新以提升功能。由于从多个站点顺序交付的数据集通常存在域差异且异构，每个更新后的模型不应灾难性地遗忘先前学习的域，同时应良好泛化到当前到达的域甚至未见的域。在医疗场景中，这尤其具有挑战性，因为由于数据隐私，通常不允许访问或存储过去的数据。为此，我们提出一种新颖的域增量学习框架，先恢复过去的域输入，然后在模型优化期间定期回放它们。特别地，我们首先提出一个风格导向回放模块，以实现结构真实且内存高效的过去数据复现，然后将回放的历史数据与现实数据联合优化模型以缓解灾难性遗忘。在优化期间，我们额外执行域敏感特征白化，以抑制模型对域变化敏感的特征（例如域区分性风格特征）的依赖，从而辅助域不变特征探索并逐步提升网络的泛化性能。我们在 M&Ms Dataset 上以单域与复合域增量学习设定广泛评估了我们的方法，相较其他对比方法取得了提升的性能。