面向多站点持续分割中网络可记忆性与可泛化性同步的学习
图像与视频处理
2022-06-28 v2 计算机视觉与模式识别
机器学习
摘要
在临床实践中，由于存储成本和隐私限制，分割网络通常被要求持续学习来自多个站点的顺序数据流，而非整合后的集合。然而，在持续学习过程中，现有方法通常受限于对先前站点的网络可记忆性或对未见站点的可泛化性。本文旨在解决同步可记忆性与可泛化性（SMG）这一挑战性问题，并通过新颖提出的 SMG 学习框架同时提升在先前和未见站点上的性能。首先，我们提出同步梯度对齐（SGA）目标，其不仅通过强制对来自先前站点的小样本集（称为重放缓冲区）进行协调优化来促进网络可记忆性，还通过模拟域偏移下促进站点不变性来增强可泛化性。其次，为简化 SGA 目标的优化，我们设计了一种双元（Dual-Meta）算法，将 SGA 目标近似为双元目标进行优化而无需昂贵的计算开销。第三，为高效重放，我们综合考虑额外的站点间多样性来配置重放缓冲区以减少冗余。在来自六个机构连续获取的前列腺 MRI 数据上的实验表明，我们的方法能同时比最先进方法实现更高的可记忆性和可泛化性。代码见 https://github.com/jingyzhang/SMG-Learning。
引用
@article{arxiv.2206.06813,
title = {Learning towards Synchronous Network Memorizability and Generalizability for Continual Segmentation across Multiple Sites},
author = {Jingyang Zhang and Peng Xue and Ran Gu and Yuning Gu and Mianxin Liu and Yongsheng Pan and Zhiming Cui and Jiawei Huang and Lei Ma and Dinggang Shen},
journal= {arXiv preprint arXiv:2206.06813},
year = {2022}
}
备注
Early accepted in MICCAI2022