基于部分标注数据集的多器官分割增量学习
计算机视觉与模式识别
2023-05-09 v1
摘要
存在大量用于器官分割的数据集，它们部分标注且顺序构建。典型的数据集是在某一时刻通过整理医学图像并标注感兴趣器官而构建的。换言之，随着时间推移，带有新器官类别标注的新数据集被建立。为释放这些部分标注、顺序构建的数据集背后的潜力，我们提出通过增量学习（IL）学习多器官分割模型。在每个 IL 阶段，我们无法访问先前的标注（其知识假定已被当前模型捕获），而获得带有新器官类别标注的新数据集的访问权限，从中学习更新器官分割模型以纳入新器官。我们首次尝试推测不同分布是 IL 方法中普遍存在的“灾难性遗忘”的关键原因，并验证 IL 对医学图像场景具有天然适应性。在五个开源数据集上的大量实验证明了我们方法及上述推测的有效性。
引用
@article{arxiv.2103.04526,
title = {Incremental Learning for Multi-organ Segmentation with Partially Labeled Datasets},
author = {Pengbo Liu and Li Xiao and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2103.04526},
year = {2023}
}