Ein classifierfreies inkrementelles Lernframework für skalierbare medizinische Bildsegmentierung

Aktuelle Methoden zur Entwicklung von Grundmodellen in der medizinischen Bildsegmentierung basieren auf zwei wesentlichen Annahmen: einer festen Menge von Klassen und der sofortigen Verfügbarkeit eines erheblichen und vielfältigen Trainingsdatensatzes. Dies kann jedoch aufgrund der sich wandelnden Natur der Bildgebungstechnologie und der Patientendemografie sowie der arbeitsintensiven Datenkuratierung unpraktisch sein, was ihre praktische Anwendbarkeit und Skalierbarkeit einschränkt. Um diese Herausforderungen zu bewältigen, stellen wir ein neuartiges Segmentierungsparadigma vor, das die Segmentierung einer variablen Anzahl von Klassen innerhalb eines einzigen classifierfreien Netzwerks ermöglicht, das in seiner Architektur unabhängig von der Klassenanzahl ist. Dieses Netzwerk wird unter Verwendung von kontrastivem Lernen trainiert und erzeugt diskriminative Merkmalsdarstellungen, die eine einfache Interpretation erleichtern. Darüber hinaus integrieren wir diese Strategie in ein auf Wissensdistillation basierendes inkrementelles Lernframework, das die schrittweise Assimilation neuer Informationen aus nicht stationären Datenströmen ermöglicht und katastrophales Vergessen vermeidet. Unser Ansatz bietet eine einheitliche Lösung zur Bewältigung sowohl von klassen- als auch von domäneninkrementellen Lern-Szenarien. Wir demonstrieren die Flexibilität unserer Methode im Umgang mit variierenden Klassenzahlen innerhalb eines einheitlichen Netzwerks und ihre Fähigkeit zum inkrementellen Lernen. Experimentelle Ergebnisse zu einem unvollständig annotierten, multimodalen, multisource Datensatz für die medizinische Bildsegmentierung unterstreichen ihre Überlegenheit gegenüber alternativen Ansätzen auf dem neuesten Stand der Technik.