面向域漂移鲁棒性的多窗户胸部CT隐私感知持续自监督学习
计算机视觉与模式识别
2025-11-03 v1 人工智能
机器学习
摘要
我们提出一种新颖的持续自监督学习（CSSL）框架，用于同时从多窗户获取的胸部CT图像中学习多样化特征，并确保数据隐私。在医学图像诊断中实现稳健且高度可泛化的模型具有挑战性，主要由于大规模准确标注数据稀缺以及动态医疗环境中固有的域漂移问题。具体而言，胸部CT中的域漂移常因窗设置差异而产生，这些窗设置针对不同临床目的进行优化。以往的CSSL框架通常通过重用过去的数据来缓解域漂移，但由于隐私限制，这种方法往往难以实施。我们的方案通过持续在无标签图像上进行预训练，有效捕捉先前学习知识与新信息之间的关系，从而跨越不同训练阶段。具体而言，通过纳入基于潜在重放机制的CSSL方法，我们在持续预训练期间缓解了因域漂移导致的灾难性遗忘，同时确保数据隐私。此外，我们引入一种特征蒸馏技术，将基于瓦斯特海斯距离的知识蒸馏（WKD）与批次知识集合（BKE）相结合，增强模型学习具有域漂移鲁棒性表征的能力。最终，我们在两个不同窗设置获取的胸部CT图像上验证了该方法，显示出优于其他方法的优异性能。
引用
@article{arxiv.2510.27213,
title = {Privacy-Aware Continual Self-Supervised Learning on Multi-Window Chest Computed Tomography for Domain-Shift Robustness},
author = {Ren Tasai and Guang Li and Ren Togo and Takahiro Ogawa and Kenji Hirata and Minghui Tang and Takaaki Yoshimura and Hiroyuki Sugimori and Noriko Nishioka and Yukie Shimizu and Kohsuke Kudo and Miki Haseyama},
journal= {arXiv preprint arXiv:2510.27213},
year = {2025}
}