学新守旧：用新解剖结构与图像扩展预训练模型

在拥有足够大且具有相应标注的代表性图像数据集时，深度学习已被广泛接受为医学图像分割的一种有前景的解决方案。随着标注医学数据集的不断增加，始终用全部数据从头训练学习方法已不可行。这也注定会触及计算极限，例如训练可行的内存或运行时间。增量学习可作为一种潜在方案，其中迭代地引入新信息（图像或解剖结构）。然而，为保留整体信息，在添加新信息的同时，保留过往一些“重要”（即代表性）的图像与标注至关重要。本文引入一种将增量学习应用于分割的框架，并提出其中选择代表性数据的新方法。我们使用 MR 图像在不同场景下对方法进行比较评估，并验证了使用我们的方法所提升的学习能力。