Ein klassifizierungsfreies inkrementelles Lernsystem für skalierbare medizinische Bildsegmentierung

Aktuelle Methoden zur Entwicklung von Basis-Modellen in der medizinischen Bildsegmentierung basieren auf zwei Hauptannahmen: einem festen Satz von Klassen und der sofortigen Verfügbarkeit eines großen und vielfältigen Trainingsdatensatzes. Diese Annahmen können jedoch unpraktisch sein, bedingt durch die sich entwickelnde Natur der Bildgebungstechnologie und der demografischen Daten der Patienten, sowie durch arbeitsintensive Datenpflege, was ihre praktische Anwendbarkeit und Skalierbarkeit einschränkt. Um diese Herausforderungen anzugehen, stellen wir ein neuartiges Segmentierungsparadigma vor, das die Segmentierung einer variablen Anzahl von Klassen innerhalb eines einzigen klassifizierungsfreien Netzwerks ermöglicht, mit einer Architektur, die unabhängig von der Klassenzahl ist. Dieses Netzwerk wird mit kontrastivem Lernen trainiert und produziert diskriminierende Merkmalsdarstellungen, die eine einfache Interpretation ermöglichen. Darüber hinaus integrieren wir diese Strategie in ein auf Wissensdistillation basierendes inkrementelles Lernsystem, das die schrittweise Assimilation neuer Informationen aus nicht-stationären Datenströmen erleichtert, während katastrophales Vergessen vermieden wird. Unser Ansatz bietet eine einheitliche Lösung für die Bewältigung sowohl von klassen- als auch von domäneninkrementellen Lernszenarien. Wir demonstrieren die Flexibilität unserer Methode im Umgang mit variierenden Klassenanzahlen 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 modernen alternativen Ansätzen.