在CT图像中增量学习分割多个器官
图像与视频处理
2022-03-07 v1 计算机视觉与模式识别
机器学习
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。一个典型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，带有新器官类别标注的新数据集随时间不断建立。为释放这些部分标注、顺序构建的数据集背后的潜力，我们提出增量学习一个多器官分割模型。在每个增量学习（IL）阶段，我们无法再访问先前的数据与标注（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。尽管IL在自然图像分析中以“灾难性遗忘”缺陷著称，我们在实验中却发现该缺陷在CT多器官分割中基本消失。为进一步稳定跨IL阶段的模型性能，我们引入一个轻量记忆模块及若干损失函数，以约束特征空间中不同类别的表示，聚合同类特征表示并分离异类特征表示。在五个开源数据集上的大量实验证明了我们方法的有效性。
引用
@article{arxiv.2203.02100,
title = {Learning Incrementally to Segment Multiple Organs in a CT Image},
author = {Pengbo Liu and Xia Wang and Mengsi Fan and Hongli Pan and Minmin Yin and Xiaohong Zhu and Dandan Du and Xiaoying Zhao and Li Xiao and Lian Ding and Xingwang Wu and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2203.02100},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2103.04526