实现同步记忆性和通用性,使用现场调制的扩散重复来实现跨站点的连续细分

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医学图像分析 医学图像分析

背景情况:

• 从不同的数据站点进行顺序学习对于医学图像诊断至关重要,但面临隐私和存储挑战.
• 现有的方法,如持续学习 (CL) 和域泛化 (DG) 解决记忆或泛化,而不是同时进行两者.
• 灾难性遗忘和普遍性降低是深度网络适应新数据站点的关键问题.

研究的目的:

• 提出一种新的培训范式,即SMG-Learning,它同时解决了顺序医学图像学习中的记忆性和概括性.
• 克服现有的CL和DG方法在处理多站点医疗数据方面的局限性.
• 使深度网络能够有效地从分布式和对隐私敏感的医疗数据集中学习.

主要方法:

• 引入了平行梯度对齐 (PGA) 用于定向和任意梯度对齐,以确保记忆性和通用性.
• 通过一阶泰勒扩展来减少计算成本,使用双元元目标的近似PGA.
• 开发了一个站点调制扩散 (SMD) 模型,用于维护隐私的数据重播,生成特定站点的图像.

主要成果:

• 与最先进的方法相比,SMG-Learning在提高记忆能力和通用性方面表现出卓越的表现.
• 该方法在医疗图像细分任务中在所有顺序数据站点实现了令人满意的性能.
• 在两个医学图像细分任务上的实验验证证证了拟议方法的有效性.

结论:

• SMG-Learning有效地平衡了顺序医学图像学习的记忆性和概括性.
• 拟议的PGA和SMD模型为医疗保健中的隐私保护持续学习提供了强大的解决方案.
• 这个范式推动了可靠的深度学习模型的开发,用于分布式医疗诊断.