在多发性硬化症病变细分中减轻灾难性遗忘,使用弹性重量巩固来进行细分.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 精确的多发性硬化症 (MS) 病变细分对于跟踪疾病进展至关重要.
• 深度学习模型面临领域转移的挑战,影响不同数据集的性能.
• 标准转移学习 (TL) 可以导致灾难性的遗忘,降低原始数据的性能.

研究的目的:

• 将弹性重量巩固 (EWC) 应用到MS病变细分中的域增量学习中.
• 评估 EWC 在域调整过程中减轻灾难性遗忘的有效性.
• 评估欧洲工会在MS病变细分的少数射击学习场景中的表现.

主要方法:

• 使用3D U-Net架构进行MS病变细分.
• 在公共数据集 (WMH2017,Shifts) 上训练模型,并在内部数据集上进行微调.
• 将标准转移学习 (TL) 与弹性重量巩固 (EWC) 进行比较,在全射和少射训练中.

主要成果:

• 欧洲工会只用3个目标域图像实现了10%的F分数改善.
• 使用EWC的五个目标域图像产生了与完整数据集培训相似的结果.
• 与TL相比,EWG减少了8-19%的灾难性遗忘,性能下降了20-37%.

结论:

• 欧洲工会有效地使深度学习模型能够适应新领域,同时保留先前的知识.
• 这种方法显著减少了MS病变细分中的灾难性遗忘.
• 欧洲工会展示了开发更多可通用的深度学习模型的潜力,用于临床MS应用,数据需求最小.