59、医学图像分割：持续学习与自适应网络的创新突破

医学图像分割：持续学习与自适应网络的创新突破

1. 持续医学图像分割

在医学图像分割领域，灾难性遗忘是一个重大挑战。为了解决这个问题，研究人员提出了基于持续学习的方法。

1.1 任务增量分割基线对比

以下是不同学习方法在任务增量分割中的表现对比：
|学习方法|Promise12（Prostate）DSC 得分(%)|MSD（Spleen）DSC 得分(%)|Drayd（Hippocampus）DSC 得分(%)|ACC (↑)|BWT (↑)|AFGT (↓)|
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
|Individual|81.5 ± 2.1|91.5 ± 1.6|79.1 ± 1.1|-|-|-|
|Joint|80.5 ± 0.7|80.5 ± 0.8|79.1 ± 0.6|-|-|-|
|Sequential(SGD)|0.0 ± 0.0|0.0 ± 0.0|67.5 ± 2.4|37.9 ± 1.7|−80 ± 1.8|80 ± 1.7|
|EWC|0.0 ± 0.0|0.0 ± 0.0|80.8 ± 1.4|42.6 ± 1.3|−87.3 ± 1.6|87.2 ± 1.7|
|Representation Replay|0.0 ± 0.0|0.0 ± 0.0|80.1 ± 2.4|42.2 ± 1.3|−86.3 ± 1.2|86.3 ± 1.0|
|L2 Regularization|49.7 ± 3.2|56.7 ± 2.5|15.2 ± 3.5|49.4 ± 3.3|−17.2 ± 2.6|17.2 ± 2.6|
|