面向多器官分割的不确定性感知增量学习
计算机视觉与模式识别
2021-03-10 v1
摘要
大多数从多个单器官数据集训练统一多器官分割模型的现有方法，需要在训练时同时访问多个数据集。在实际场景中，出于隐私与伦理考虑，感兴趣器官的训练数据可能无法公开获取。为此，我们研究一种无数据增量器官分割场景，并提出一种新颖的增量训练框架来解决该问题。我们使用预训练模型而非其自身训练数据以保护隐私。具体而言，给定一个预训练的 器官分割模型和一个新的单器官数据集，我们训练一个统一的 器官分割模型，而不访问属于先前训练阶段的任何数据。我们的方法由两部分组成：背景标签对齐策略与不确定性感知引导策略。第一部分用于从预训练模型向训练模型进行知识迁移。第二部分用于从预训练模型提取不确定性信息以引导整个知识迁移过程。结合这两种策略，可在无原始训练数据的情况下从预训练模型提取更可靠的信息。在多个公开可用的预训练模型和多器官数据集 MOBA 上的实验证明了我们框架的有效性。
引用
@article{arxiv.2103.05227,
title = {Uncertainty-aware Incremental Learning for Multi-organ Segmentation},
author = {Yuhang Zhou and Xiaoman Zhang and Shixiang Feng and Ya Zhang and Yanfeng},
journal= {arXiv preprint arXiv:2103.05227},
year = {2021}
}