跨医院多发性硬化病灶分割：持续学习还是从头训练？
计算机视觉与模式识别
2022-10-28 v1 机器学习
摘要
多发性硬化（Multiple Sclerosis, MS）病灶分割是一个具有挑战性的问题。近年来，已经提出了几种基于深度学习的方法。然而，大多数方法往往是静态的，即在大规模专用数据集上训练单一模型，其泛化能力不佳。相反，模型应该通过持续的方式，基于病灶特征，在来自不同医院的顺序到达的数据集上进行学习。在这方面，我们探索了经验回放（experience replay）这一著名的持续学习方法，在来自8家不同医院的多对比度数据的MS病灶分割背景下进行研究。我们的实验表明，与顺序微调相比，回放能够实现正向反向迁移并减少灾难性遗忘。此外，回放优于多领域训练，从而成为MS病灶分割的一种有前景的解决方案。代码可在以下链接获取：https://github.com/naga-karthik/continual-learning-ms
引用
@article{arxiv.2210.15091,
title = {Segmentation of Multiple Sclerosis Lesions across Hospitals: Learn Continually or Train from Scratch?},
author = {Enamundram Naga Karthik and Anne Kerbrat and Pierre Labauge and Tobias Granberg and Jason Talbott and Daniel S. Reich and Massimo Filippi and Rohit Bakshi and Virginie Callot and Sarath Chandar and Julien Cohen-Adad},
journal= {arXiv preprint arXiv:2210.15091},
year = {2022}
}
备注
Accepted at the Medical Imaging Meets NeurIPS (MedNeurIPS) Workshop 2022