MedCRP-CL：基于贝叶斯无参数语义模态发现的连续医学图像分割
计算机视觉与模式识别
2026-05-21 v1 机器学习
摘要
医学图像分割在连续学习中面临一个根本性挑战：数据按顺序来自异构来源，而有效的连续学习需要发现哪些任务共享足够的结构以从联合学习中获益。现有方法要么对所有任务应用统一约束，导致任务冲突时出现灾难性遗忘，要么需要预定义任务分组，无法预见未来任务的多样性。我们引入MedCRP-CL，一个执行在线任务结构发现和结构感知连续学习的框架。利用中国酒柱过程(CRP)，该方法动态从临床文本提示中推断任务分组，而无需预定义聚类数或访问未来任务。我们称这些发现的分组为语义模态，因为它们通过整合解剖区域和病理上下文捕获比物理成像模态更细粒度的结构。受此发现结构的驱动，我们维护语义模态特定的LoRA适配器，通过任务内模态EWC进行正则化，确保在不相似任务组之间保持参数隔离，同时促进相似任务之间的知识传递。该框架也是无回放的，只存储聚合统计信息而非原始患者数据。在16个医学分割任务（跨四个成像模态）上的实验表明，MedCRP-CL以73.3%的Dice得分实现了仅4.1%的遗忘，超过最佳基线8.0%，同时使用约6倍更少的参数。代码可在https://github.com/zygao930/MedCRP-CL获取。
引用
@article{arxiv.2605.20297,
title = {MedCRP-CL: Continual Medical Image Segmentation via Bayesian Nonparametric Semantic Modality Discovery},
author = {Ziyuan Gao},
journal= {arXiv preprint arXiv:2605.20297},
year = {2026}
}
备注
Accepted by ICML 2026