增量学习遇见迁移学习：应用于多中心前列腺 MRI 分割

Jun, 2022

增量学习遇见迁移学习：应用于多中心前列腺 MRI 分割

Incremental Learning Meets Transfer Learning: Application to Multi-site Prostate MRI Segmentation

Chenyu You, Jinlin Xiang, Kun Su, Xiaoran Zhang, Siyuan Dong...

TL;DR本文提出了一种称为增量转移学习的多站点分割框架，其中我们以端到端的序列方式从多站点数据集中学习模型，通过在每个数据集上的嵌入特征的线性组合来实现迁移，缓解了增量学习中的严重遗忘问题，适用于多站点医学图像分割。

Abstract

Many medical datasets have recently been created for medical image segmentation tasks, and it is natural to question whether we can use them to sequentially train a single model that (1) performs better on all these datasets, and (2) generalizes well and transfers better to the unknown target site domain. Prior works have achieved this goal by jointly traini

medical image segmentation multi-site datasets incremental-transfer learning site-agnostic encoder catastrophic forgetting problems

发现论文，激发创造

多领域增量学习用于语义分割

提出了基于动态架构并采用优化策略的多领域语义分割增量学习方法，旨在解决现有分割框架在视觉地理领域差异大的数据集序列中无法迭代学习的问题。实验结果验证了该方法在德国 (Cityscapes)、美国 (BDD100k) 和印度 (IDD) 道路驾驶环境中实现了良好的增量学习效果。

Oct, 2021

脑肿瘤 MRI 异质结构分割的增量学习

本研究提出了一个基于增量学习的深度学习分割模型，使用离散批量均衡正则化的双流模块来区分旧任务和新任务，使用伪标签训练方案进行自适应网络优化，以在变化的目标域中提高平均分割准确度。

May, 2023

增量迁移学习综述：将点对点联邦学习与领域增量学习结合以实现多中心协作

由于数据隐私限制，多个临床中心之间的数据共享受限制，这阻碍了通过多中心合作开发高性能深度学习模型的进展。本文通过使用持续学习技术，将点对点联邦学习和领域增量学习相结合，进行增量迁移学习，以克服数据隐私问题并同时保持模型性能。进行了一项针对多中心合作的不同基于正则化的持续学习方法效果的全面调查，对数据异质性、分类器设置、网络优化器、模型初始化、中心顺序和权重传递类型的影响进行了彻底研究。我们的框架对研究社区是公开可访问的，以进行进一步的开发。

Sep, 2023

学新知，承旧业：为预训练模型增加新的解剖结构和影像

本文提出了一种应用于医学图像分割的增量学习框架，并提出了用于选择代表性数据的新方法，使用 MR 图像在不同情景下进行了比较评估，证实了使用该方法可以增加学习能力。

Jun, 2018

一种无分类器的可扩展医学图像分割的增量学习框架

通过引入新的分割范式，我们提出了一种基于对比学习的分类器自由网络，能够实现可变数量类别的分割，并结合知识蒸馏的增量学习框架，解决了医学图像分割中类别和领域的增量学习问题。实验证明了该方法在处理不同类别数量和增量学习中的优越性。

May, 2024

医学图像的大规模监督迁移学习

通过研究 Kolesnikov 等人介绍的大规模预训练网络在胸部放射学、乳腺 X 线检查和皮肤科中的转移表现以及其在医学领域中的重要特性，我们发现，将自然图像转移到医学图像中是非常有效的，但只有在足够大的规模下才能实现。

Jan, 2021

具有类别增量对比学习的任务感知异步多任务模型，用于手术场景理解

提出了一种多任务学习模型，该模型应用于手术报告生成和工具 - 组织相互作用预测，以应对不同手术之间的领域偏移问题，在目标领域处理新奇工具出现，达成了与单任务模型相媲美的手术场景理解性能。

Nov, 2022

从稀疏标注的 3D 医学图像数据集进行迁移学习

本研究探索了使用迁移学习来提高医学影像中深度卷积神经网络对器官分割的性能，研究结果表明迁移学习可改善标注的效率和提高准确的器官分割，在医学影像领域具有潜在应用价值。

Nov, 2023

语义分割的增量学习技术

本研究旨在解决深度学习架构在面临新增任务时由于灾难性遗忘导致性能下降的问题，提出了一种知识蒸馏方法来保留以前学习过的类别信息，并同时学习新类别，本文在 Pascal VOC2012 数据集上进行了实验验证其有效性。

Jul, 2019

基于目标的迁移学习改善小型医学物理数据集的性能

本研究评估比较不同的训练神经网络技术，提出为小型数据集提高模型准确度的方法，并发现迁移学习对于重复利用以前学习的特征有重要作用，特别是在医学图像应用中。

Dec, 2019