医学图像增量学习中的灾难性遗忘缓解
计算机视觉与模式识别
2025-04-29 v1
摘要
本文提出一种增量学习(IL)方法，旨在提高使用PI-CAI数据集分析T2加权(T2w) MRI医学图像中前列腺癌检测深度学习模型的准确性和效率。我们使用来自多个健康中心的人工智能和放射学数据，关注于使用MRI进行前列腺癌检测的不同任务。我们采用知识蒸馏(KD)，该方法利用来自过去任务的生成图像指导后续任务模型的训练。该方法提高了模型性能并加快了收敛速度。为展示方法的通用性和鲁棒性，我们在PI-CAI数据集、包括多种医学成像模态的OCT和PathMNIST，以及基准持续学习数据集CIFAR-10上进行了评估。我们的结果表明，KD是医学图像分析中一种有前景的IL技术，当数据来源于单个健康中心且存储大型数据集不可行时。通过使用来自前序任务的生成图像，我们的方法使模型能够在没有直接访问原始数据的情况下保留和应用先前获取的知识。
引用
@article{arxiv.2504.20033,
title = {Mitigating Catastrophic Forgetting in the Incremental Learning of Medical Images},
author = {Sara Yavari and Jacob Furst},
journal= {arXiv preprint arXiv:2504.20033},
year = {2025}
}
备注
15 Pages, 3 Figures, 3 Tables, 1 Algorithm, This paper will be updated