在内镜场景中重新思考持续语义细分的示例:基于透的迷你批次伪复制
Guankun Wang1, Long Bai1, Yanan Wu2
1Department of Electronic Engineering, The Chinese University of Hong Kong, Hong Kong, China.
Computers in biology and medicine
|September 11, 2023
概括
这项研究引入了内镜图像细分的新框架,可以防止在学习新任务时降低性能. 该方法解决了灾难性遗忘,而不需要旧数据,提高了内镜诊断的准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 对于内镜图像分析的深度学习 (DL) 模型面临着灾难性的遗忘,在新数据引入时降低了旧类的性能.
- 数据隐私和存储限制阻碍了使用历史内镜数据重新训练DL模型.
- 持续学习 (CL) 对于更新内镜图像细分模型而不会损失性能至关重要.
研究的目的:
- 开发用于内镜图像细分的持续学习方法,克服灾难性遗忘.
- 提出一个框架,内镜持续语义细分 (Endoscopy Continual Semantic Segmentation,EndoCSS),避免了典型的数据存储和隐私问题.
- 提高DL模型在动态内镜环境中的强度和适应性.
主要方法:
- 引入了内镜持续语义细分 (EndoCSS) 框架.
- 实现了一个小型批次伪复制 (MB-PR) 机制,使用生成模型创建伪复制图像,绕过隐私和存储约束.
- 整合了自适应性噪音交叉 (SAN-CE) 损失函数,以提高模型的安装和训练稳定性.
主要成果:
- 该EndoCSS框架有效地缓解了内镜图像分割任务中的灾难性遗忘.
- MB-PR 策略成功地纠正了由于重复和当前训练集之间的数据量不同而导致的模型偏差.
- 对公共数据集的广泛实验表明,对类增量场景的性能有了强大的改进.
结论:
- 拟议的EndoCSS框架为内镜图像细分中的持续学习提供了一个可行的解决方案.
- 该方法显示了在医学诊断的流式学习场景中,在现实世界中部署的巨大潜力.
- 该方法有效地解决了灾难性遗忘问题,而不会影响数据隐私或需要大量存储.


