医学图像分析中的持续学习:一项调查
Xinyao Wu1, Zhe Xu2, Raymond Kai-Yu Tong1
1Department of Biomedical Engineering, The Chinese University of Hong Kong, Shatin, NT, Hong Kong, China.
Computers in biology and medicine
|September 27, 2024
概括
医学成像中的持续学习 (CL) 提高了模型的适应性和准确性,同时减轻了灾难性的遗忘. 本综述详细介绍了医疗任务,数据集和未来方向的CL策略.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 持续学习 (CL) 对于医学图像分析至关重要,解决数据隐私,适应性和准确性挑战.
- 灾难性遗忘仍然是医学应用中CL的主要障碍.
- 最近的研究强调了在医疗领域中,CL日益重要和复杂.
研究的目的:
- 提供对医学图像分析中的持续学习应用进行深入和最新的审查.
- 将现有的CL方法分为任务增量,类增量和域增量学习设置.
- 为了将医疗挑战与CL见解相关联,并评估方法的优点/缺点.
主要方法:
- 将CL方法分为任务,类和域增量学习的分类.
- 根据各种医疗场景的代表性学习策略进行细分.
- 在特定的医疗环境中分析优势和弱点.
主要成果:
- 针对医学图像分析任务量身定制的CL策略的全面概述.
- 在医疗挑战和CL解决方案之间建立了相关性.
- 评估常用的基准数据集和评估指标.
结论:
- 尽管存在诸如灾难性遗忘等挑战,但CL为推进医学图像分析提供了巨大的潜力.
- 了解CL的设置和策略是克服医学领域复杂性的关键.
- 在目前的洞察力基础上,确定了在医学成像中对CL的未来研究方向.


