May, 2024

医学影像学中的持续学习:从理论到实践的调查和实际分析

HTML
PDF
TL;DR通过综述医学领域中的连续学习研究，本文旨在全面审视近期的文献，突出最新趋势，并指出实际问题，包括分类、分割、检测等任务中的连续学习研究。除了识别挑战并提供应对策略，我们还对医学影像中连续学习的现状进行批判性讨论，包括识别开放问题并勾勒有前景的未来方向。希望本文将为研究人员提供领域发展的有用概述，并进一步增加学术界的兴趣。
发现论文，激发创造
  • 医学影像中的持续学习

    本文研究使用神经网络对大脑MRI进行两个分割任务的不断学习，通过探索弹性权重共享的新方法 去解决因学习新任务而导致的对第一个任务的灾难性遗忘，实验表明该方法在挑战性的不断学习中具有应用前景。

    Nov, 2018

  • 一项继续学习调查：在分类任务中应对遗忘

    本文研究了基于任务增量分类的持续学习方法，提出了一种新的框架来确定持续学习者的稳定性与可塑性的权衡， 并通过三个基准测试以及综合实验比较了11种持续学习方法和4种基线的方法的强弱和影响。

    Sep, 2019

  • 利用旧知识持续学习医学图像中的新类别

    本文提出了一种两个主要组成部分的框架来避免类别增量持续学习中的灾难性遗忘，包括动态架构和训练过程，结果表明这种解决方案在医疗数据集上能够实现比现有技术水平更好的类别准确性和遗忘能力。

    Mar, 2023

  • 医学图像分类的序列学习应用

    我们开发了一个神经网络训练框架，用于不断训练少量的医学影像数据，并创建了在缺乏验证或测试集的情况下评估训练的启发式方法。

    Sep, 2023

  • 通用医疗模型的渐进式持续学习

    本研究通过评估四个不同医学图像场景中各种连续学习方法的性能表明，单一模型可以顺序地学习来自不同专业的新任务，并达到与传统方法相当的性能，从而证明了在医学领域跨机构共享或回收模型的可行性，进一步推动了通用医学影像人工智能的发展。

    Nov, 2023

  • 医学影像分析中的持续学习：最新进展与未来前景的综述

    在医学影像分析中，深度学习算法的快速发展使得医学影像分析取得了显著的进展，但是在推理数据集与模型训练时所见数据略有不同的情况下，模型的性能会受到很大影响。因此，需要采用连续学习技术来处理新类别、新任务和非稳态环境中的数据变化。本系统综述论文对连续学习技术在医学影像分析中的应用进行了全面的概述，包括灾难性遗忘、数据漂移、稳定性和可塑性要求等方面的研究，同时对连续学习方案、技术、评价方案和指标等关键组成部分进行了深入讨论。

    Dec, 2023

  • 医疗领域的多标签持续学习：一项新的基准

    医学成像的分类问题具有新类别和域偏移的挑战，本文提出了一种名为伪标签重播的新方法，通过结合重播和伪标签方法的优势以解决现有的限制，有效地应对挑战并展现卓越性能和最小的遗忘。

    Apr, 2024

  • 持续学习中医学图像的公平性演变

    通过使用领域特定的公平度量，我们评估了反复学习策略在医学图像分类任务中的偏差演化，发现伪标签策略具有更小的偏差，因此在考虑模型公平性的现实场景中应优先选择该策略。

    Apr, 2024

  • 低维混合专家模型在医学图像分割中的应用

    在医学图像分割领域的持续学习任务中，我们提出了一种使用数据特定的专家组（MoE）结构解决新任务或类别的问题的网络，以确保网络参数对先前任务的影响最小化，并通过引入低秩策略显著降低引入附加结构所带来的内存开销。在多个数据集上进行的广泛实验证明了我们的模型优于其他所有方法。

    Jun, 2024

  • 通过锐度感知元持续学习实现通用医学图像配准

    本文提出了一种实现通用三维医疗图像配准的连续学习方法，通过基于元学习和经验回放的方式缓解灾难性遗忘，并进一步提出了锐度感知的元-连续学习方法，通过实验证明了该方法在实现通用图像配准方面的潜力。

    Jun, 2024