基于低秩适应引导的医学分割网络选择性遗忘
计算机视觉与模式识别
2025-11-21 v1
摘要
从医学分割网络中有选择地移除知识的能力日益重要，这对于隐私合规、伦理部署和持续数据集修订至关重要。我们提出了擦除以保留（Erase to Retain），这是一种用于医学图像分割的可控遗忘框架，通过无需完全重新训练实现有针对性的遗忘。我们的方法采用低秩适应（Low-Rank Adaptation, LoRA）受约束的子空间更新，采用教师-学生蒸馏范式，使学生网络能够在低秩解码器空间中擦除特定病灶或类别的表征，同时保留全局解剖理解。在强遗忘阶段，LoRA模块被对抗性优化，以矛盾教师对指定遗忘子集上确信预测的输出，从而强制执行语义删除。这一随后是一个温和的恢复阶段，通过仅对头部进行监督性精炼来恢复在保留数据上的泛化能力。对于ISIC分割，学生将遗忘集合的IoU从0.875降至0.509，同时保持在保留和验证分割上的竞争性能（0.647至0.677 IoU）。在跨域CHASE数据集上，擦除以保留 consistently 降低遗忘集合的IoU，同时保持保留和验证集上的实用性。对于ISIC分类，我们的方法将遗忘子集的准确率从87.0%降至64.1%，同时将保留准确率从83.9%提高至90.6%。这些结果表明，LoRA基于子空间的遗忘提供了一种实现医学图像分析中负责任、可控和可逆遗忘的实用途径，使模型能够在保留最重要性能力的同时遗忘敏感样本或结构。
引用
@article{arxiv.2511.16574,
title = {Erase to Retain: Low Rank Adaptation Guided Selective Unlearning in Medical Segmentation Networks},
author = {Nirjhor Datta and Md. Golam Rabiul Alam},
journal= {arXiv preprint arXiv:2511.16574},
year = {2025}
}