医学图像分割中的持续学习究竟出了什么问题？

持续学习协议正吸引医学影像界越来越多的关注。在持续环境中，不同条件下获取的数据集依次到达；且每个数据集仅在有限时间内可用。鉴于医学数据固有的隐私风险，这一设置反映了深度学习诊断放射系统的实际部署情况。许多技术可用于图像分类的持续学习，其中若干已被适配到语义分割。然而大多数难以以有意义的方式积累知识。相反，它们专注于防止灾难性遗忘问题，即便这降低了模型可塑性并进而加重训练过程负担。这让人质疑知识保留的额外开销是否值得——尤其对于计算需求已经很高的医学图像分割而言——或者维护独立模型是否是更好的解决方案。我们提出UNEG，一种简单且广泛适用的多模型基准，为每个训练阶段维护独立的分割网络和自编码器网络。该自编码器由与分割网络相同的架构构建，在我们的案例中为全分辨率nnU-Net，以规避任何额外设计决策。在推理期间，重构误差被用于为每个测试图像选择最合适的分割器。基于这一概念，我们为不同的持续学习设置开发了一种超越防止灾难性遗忘的公平评估方案。我们在三个感兴趣区域（前列腺、海马体和右心室）上的结果表明，UNEG优于多种持续学习方法，强化了持续学习研究中需要强基线的需求。