MOSInversion:使用DeepInversion进行器官细分的基于知识蒸的增量学习
Jihyeon Kim1, Gyeongmin Lee1, Seung Yeon Shin2
1Department of Robotics and Mechatronics Engineering, Daegu Gyeongbuk Institute of Science and Technology (DGIST), 333, Techno jungang-daero, Hyeonpung-eup, Dalseong-gun, Daegu, 42988, Republic of Korea.
Computers in biology and medicine
|November 11, 2025
概括
本研究介绍了MOSInversion,这是一个用于多器官细分 (MOS) 的新增学习框架. 它有效地减轻了医疗成像中的灾难性遗忘,通过生成多样化的合成数据,实现最先进的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 当前的多器官细分 (MOS) 模型由于灾难性遗忘而难以结合新类.
- 现有的MOS增量学习方法面临着对3D数据和复杂图像合成的内存需求的挑战.
- 灾难性遗忘导致增量学习环境中以前学习的课程的性能下降.
研究的目的:
- 为多器官细分 (MOS) 开发一个有效的增量学习框架,以解决灾难性遗忘.
- 为了使MOS模型能够逐步学习新的器官类,而不会对现有类产生显著的性能损失.
- 提出一种对记忆效率高效且适用于CT扫描等3D医学成像数据的方法.
主要方法:
- 开发了MOSInversion,一个增量学习框架,利用从预训练模型中生成的各种合成图像.
- 在MOSInversion中使用细分口罩来操纵器官形状,位置和大小,用于合成数据生成.
- 对三个腹部CT数据集的框架进行了评估:FLARE21,MSD和KiTS19.
主要成果:
- 拟议的MOSInversion框架成功地保留了从以前学习的数据中获得的知识.
- 在评估的腹部CT数据集中实现了多器官细分的最先进的准确性.
- 通过使用各种合成图像,证明了对灾难性遗忘的有效缓解.
结论:
- MOSInversion为多器官细分中的增量学习提供了一个强大的解决方案,克服了现有方法的局限性.
- 合成数据生成方法有效地保持了以前细分的器官的性能.
- 这一框架显示出在医学图像分析和临床应用中推进AI的重大前景.
