迈向医学影像中的持续学习
计算机视觉与模式识别
2018-11-07 v1 机器学习
摘要
本工作研究了使用神经网络在脑MRI中两个分割任务的持续学习。为在此背景下探究当前方法在学完新任务后对抗首个任务灾难性遗忘的能力，我们研究了弹性权重巩固（elastic weight consolidation）——一种近期提出的基于Fisher信息的方法，最初在Atari游戏的强化学习上评估。我们将其用于顺序学习正常脑结构分割，然后学习白质病变分割。我们的发现表明这一近期方法减轻了灾难性遗忘，但在这些具有挑战性的持续学习设定中仍有很大改进空间。
引用
@article{arxiv.1811.02496,
title = {Towards continual learning in medical imaging},
author = {Chaitanya Baweja and Ben Glocker and Konstantinos Kamnitsas},
journal= {arXiv preprint arXiv:1811.02496},
year = {2018}
}
备注
Accepted in Medical Imaging meets NIPS Workshop, NIPS 2018