基于冻结基础模型的3D脑MRI少样本持续学习
图像与视频处理
2026-03-02 v1 计算机视觉与模式识别
机器学习
摘要
大规模3D医学影像数据预训练的基础模型在面向多个下游任务的持续学习场景中面临数据有限标注的挑战。我们采用冻结预训练主干网络+任务特定低秩适配（LoRA）模块的方法，解决3D脑MRI的少样本持续学习问题。在持续学习过程中，任务按顺序到达——肿瘤分割（BraTS）和脑龄估计（IXI），且不存储先前任务数据。每个任务配备专属LoRA适配器，仅训练适配器和任务特定的输出头，主干网络保持冻结，从而通过设计消除灾难性遗忘（BWT=0）。持续学习中，顺序完整微调在T2后T1 Dice下降至0.16，而顺序线性探针在T1表现良好（Dice 0.79），但T2失败（MAE 1.45）。我们的方法在两个任务上实现最佳平衡性能：T1 Dice 0.62±0.07，T2 MAE 0.16±0.05，实现零遗忘且每任务可训练参数不足0.1%，尽管在T2中存在系统性年龄低估（Wilcoxon p<0.001）。冻结基础模型配合任务特定LoRA适配器，为在少样本持续学习条件下维持多个任务提供了实用方案。
引用
@article{arxiv.2602.23533,
title = {Few-Shot Continual Learning for 3D Brain MRI with Frozen Foundation Models},
author = {Chi-Sheng Chen and Xinyu Zhang and Guan-Ying Chen and Qiuzhe Xie and Fan Zhang and En-Jui Kuo},
journal= {arXiv preprint arXiv:2602.23533},
year = {2026}
}