58、基于非典型样本选择的持续医学图像分割的记忆重放

基于非典型样本选择的持续医学图像分割的记忆重放

一、引言

医学图像分割在临床实践中至关重要，它能助力精准诊断、治疗规划和疾病监测。然而，现有的医学分割方法常面临成像协议变化和患者群体差异带来的挑战，这会显著影响分割模型的性能和泛化能力。比如，在特定患者群体的 MRI 图像上训练的分割模型，应用于具有不同人口统计学和临床特征的群体时，效果可能不佳。同样，成像协议的变化，像使用不同的造影剂或成像参数，也会影响模型的准确性和可靠性。

为确保准确分割，在部署模型前需用当前数据重新训练或微调，但这常导致灾难性遗忘，即模型在学习当前数据时会丢失先前习得的知识。持续学习旨在解决这一问题，使模型能从连续的数据流中持续学习，无需从头重新训练。不过，专门为医学图像分割设计的高效持续学习算法在相关文献中却较少被关注。

我们提出了一种基于持续学习的医学图像分割方法，利用基于记忆重放的持续学习（MBCL）概念。但 MBCL 在医学图像分割中存在一些瓶颈，比如医学图像分割存在类不平衡问题，且并非所有训练图像对学习过程的贡献都相同。因此，我们提出了一种简单有效的图像选择算法来创建记忆库，通过对图像进行排名和选择，以提高模型性能。

二、提出的方法

我们有来自 K 个站点的顺序图像流，用于顺序训练分割模型。在第 k 轮持续学习中，只能获取新站点（数据集）$D_k$ 的图像和真值，无法访问先前站点的数据。由于灾难性遗忘，这种顺序学习会导致在学习新任务后，先前站点的性能下降。

在朴素的基于记忆重放的持续学习中，使用记忆缓冲区 M 存储少量过去站点的示例，与新数据一起训练模型。对于医学图像分割，图像选择至关重要。基于此，我们提出了两种图像排名方案：