通过持续学习解锁跨所有年龄组的鲁棒分割
图像与视频处理
2024-04-23 v1 计算机视觉与模式识别
摘要
医学影像中的大多数深度学习模型是在成人数据上训练的，其在儿童图像上的性能尚不明确。在这项工作中，我们旨在解决全身计算机断层扫描（CT）中自动解剖结构分割背景下的这一挑战。我们评估了在成人数据上训练的 CT 器官分割算法在应用于儿童 CT 体积时的性能，并发现了显著的年龄依赖性性能不佳。随后，我们提出并评估了包括数据增强和持续学习方法在内的策略，以在所有年龄组中实现良好的分割精度。我们表现最佳的模型使用持续学习进行训练，在成人和儿童数据上均实现了高分割精度（Dice 分数分别为0.90和0.84）。
引用
@article{arxiv.2404.13185,
title = {Unlocking Robust Segmentation Across All Age Groups via Continual Learning},
author = {Chih-Ying Liu and Jeya Maria Jose Valanarasu and Camila Gonzalez and Curtis Langlotz and Andrew Ng and Sergios Gatidis},
journal= {arXiv preprint arXiv:2404.13185},
year = {2024}
}