面向通用医学图像配准的锐利感知元持续学习方法
计算机视觉与模式识别
2024-06-26 v1
摘要
当前医学图像配准中的深度学习方法通常面临分布迁移和数据收集的挑战，阻碍了实际部署。相反，通用医学图像配准旨在同时对广泛临床相关任务进行配准，从而具有巨大的潜力可用于临床应用。本文提出了首次通过提出一种持续学习方法来实现 3D 医学图像配准的目标。具体而言，我们利用基于经验回放的元学习来缓解灾难性遗忘问题。为促进元持续学习的通用性，我们进一步提出了锐利感知元持续学习（SAMCL）。我们在四个数据集上以持续学习设置验证了方法的有效性，包括脑部 MRI、腹部 CT、肺部 CT 和腹部 MRI-CT 图像对。结果表明，SAMCL 在实现通用图像配准方面具有潜力，其性能优于或与传统顺序或集中式多任务训练策略相当。本文的源代码将公开于 https://github.com/xzluo97/Continual-Reg。
引用
@article{arxiv.2406.17575,
title = {Toward Universal Medical Image Registration via Sharpness-Aware Meta-Continual Learning},
author = {Bomin Wang and Xinzhe Luo and Xiahai Zhuang},
journal= {arXiv preprint arXiv:2406.17575},
year = {2024}
}
备注
Accepted by MICCAI 2024