面向模态缺失脑肿瘤分割的超图 Tversky 感知域增量学习
计算机视觉与模式识别
2025-06-10 v3 多媒体
摘要
现有的模态缺失多模态 MRI 分割方法通常假设所有 MRI 模态在训练期间均可用。然而，在临床实践中，由于 MRI 采集的顺序性，某些模态可能缺失，导致性能下降。此外，为适应新可用模态而重新训练模型可能效率低下，并可能导致过拟合，从而可能损害先前学到的知识。为解决这些挑战，我们提出了基于回放的超图域增量学习，用于模态缺失下的脑肿瘤分割。ReHyDIL 利用域增量学习使分割模型能够从新获取的 MRI 模态中学习，同时不遗忘先前学到的信息。为增强跨不同患者场景的分割性能，我们引入了跨患者超图分割网络，该网络利用超图捕获患者之间的高阶关联。此外，我们引入了 Tversky 感知对比损失，以有效缓解不同模态间及模态内的信息不平衡。在 BraTS2019 数据集上的大量实验表明，ReHyDIL 优于最先进的方法，在各种肿瘤区域的 Dice 相似系数上实现了超过 2% 的提升。我们的代码可在 https://github.com/reeive/ReHyDIL 获取。
引用
@article{arxiv.2505.16809,
title = {Hypergraph Tversky-Aware Domain Incremental Learning for Brain Tumor Segmentation with Missing Modalities},
author = {Junze Wang and Lei Fan and Weipeng Jing and Donglin Di and Yang Song and Sidong Liu and Cong Cong},
journal= {arXiv preprint arXiv:2505.16809},
year = {2025}
}
备注
MICCAI 2025 Early Accept. The code is available at https://github.com/reeive/ReHyDIL