Toward Universal Medical Image Registration via Sharpness-Aware Meta-Continual Learning

要約

医療画像登録における現在の深層学習アプローチは、通常、配布の変更とデータ収集という課題に直面しており、現実世界への展開を妨げています。
対照的に、ユニバーサル医用画像レジストレーションは、臨床に関連する幅広いタスクのレジストレーションを同時に実行することを目的としており、臨床応用に多大な可能性を秘めています。
この論文では、継続的な学習方法を提案することにより、連続的な学習シナリオで普遍的な 3D 医用画像の登録という目標を達成する最初の試みを紹介します。
具体的には、経験の再生によるメタ学習を利用して、壊滅的な忘却の問題を軽減します。
メタ継続学習の一般化を促進するために、シャープネスを意識したメタ継続学習 (SAMCL) をさらに提案します。
脳 MR、腹部 CT、肺 CT、腹部 MR-CT 画像ペアを含む、継続的な学習セットアップの 4 つのデータセットでこの方法の有効性を検証します。
結果は、汎用画像レジストレーションの実現における SAMCL の可能性を示しており、バニラのシーケンシャルまたは集中型マルチタスク トレーニング戦略よりも優れた、または同等のパフォーマンスを発揮します。ソース コードは https://github.com/xzluo97/Continual- から入手できます。
登録

要約(オリジナル)

Current deep learning approaches in medical image registration usually face the challenges of distribution shift and data collection, hindering real-world deployment. In contrast, universal medical image registration aims to perform registration on a wide range of clinically relevant tasks simultaneously, thus having tremendous potential for clinical applications. In this paper, we present the first attempt to achieve the goal of universal 3D medical image registration in sequential learning scenarios by proposing a continual learning method. Specifically, we utilize meta-learning with experience replay to mitigating the problem of catastrophic forgetting. To promote the generalizability of meta-continual learning, we further propose sharpness-aware meta-continual learning (SAMCL). We validate the effectiveness of our method on four datasets in a continual learning setup, including brain MR, abdomen CT, lung CT, and abdomen MR-CT image pairs. Results have shown the potential of SAMCL in realizing universal image registration, which performs better than or on par with vanilla sequential or centralized multi-task training strategies.The source code will be available from https://github.com/xzluo97/Continual-Reg.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google