Task-agnostic Continual Hippocampus Segmentation for Smooth Population Shifts

要約

ほとんどの継続的学習法は、タスクの境界が明確に定義され、トレーニングとテストの間にタスクの識別情報が利用可能な環境で検証されている。我々は、徐々に人口が移動するダイナミックな臨床環境に近い、タスクにとらわれない設定において、このような手法がどのように機能するかを調査する。我々は、分布外検出と継続的な学習技術を組み合わせた全体的な解決策であるODExを提案する。海馬のセグメンテーションの2つのシナリオで検証した結果、提案手法は可塑性を失うことなく、以前のタスクのパフォーマンスを確実に維持することがわかった。

要約(オリジナル)

Most continual learning methods are validated in settings where task boundaries are clearly defined and task identity information is available during training and testing. We explore how such methods perform in a task-agnostic setting that more closely resembles dynamic clinical environments with gradual population shifts. We propose ODEx, a holistic solution that combines out-of-distribution detection with continual learning techniques. Validation on two scenarios of hippocampus segmentation shows that our proposed method reliably maintains performance on earlier tasks without losing plasticity.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL