Mitigating Catastrophic Forgetting in the Incremental Learning of Medical Images

要約

このホワイトペーパーでは、PI-CAIデータセットを使用してT2強調（T2W）MRI医療画像前立腺がん検出を分析する際の深い学習モデルの精度と効率を高めるための増分学習（IL）アプローチを提案します。
MRI（PI-CAI）を使用した前立腺がん検出を検討するさまざまなタスクに焦点を当てた、複数のヘルスセンターの人工知能と放射線データを使用しました。
過去のタスクから生成された画像を使用して、後続のタスクのモデルのトレーニングを導くため、知識蒸留（KD）を利用しました。
このアプローチにより、パフォーマンスが向上し、モデルの収束が速くなりました。
アプローチの汎用性と堅牢性を実証するために、Pi-Caiデータセット、OCTやPathmnistを含む医療イメージングモダリティの多様なセット、およびベンチマーク継続的な学習データセットCIFAR-10で評価しました。
我々の結果は、KDが個々の保健センターからデータが供給され、大規模なデータセットの保存が実現できない医療画像分析におけるILの有望な手法になる可能性があることを示しています。
以前のタスクから生成された画像を使用することにより、この方法により、元のデータに直接アクセスすることなく、モデルが以前に獲得した知識を保持および適用できます。

要約(オリジナル)

This paper proposes an Incremental Learning (IL) approach to enhance the accuracy and efficiency of deep learning models in analyzing T2-weighted (T2w) MRI medical images prostate cancer detection using the PI-CAI dataset. We used multiple health centers’ artificial intelligence and radiology data, focused on different tasks that looked at prostate cancer detection using MRI (PI-CAI). We utilized Knowledge Distillation (KD), as it employs generated images from past tasks to guide the training of models for subsequent tasks. The approach yielded improved performance and faster convergence of the models. To demonstrate the versatility and robustness of our approach, we evaluated it on the PI-CAI dataset, a diverse set of medical imaging modalities including OCT and PathMNIST, and the benchmark continual learning dataset CIFAR-10. Our results indicate that KD can be a promising technique for IL in medical image analysis in which data is sourced from individual health centers and the storage of large datasets is not feasible. By using generated images from prior tasks, our method enables the model to retain and apply previously acquired knowledge without direct access to the original data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google