Continual Learning in Medical Imaging Analysis: A Comprehensive Review of Recent Advancements and Future Prospects

要約

医療画像解析は、高度な深層学習アルゴリズムの急速な開発により、近年、人間レベルのパフォーマンスをも超える目覚ましい進歩を遂げています。
ただし、推論データセットが 1 回限りのトレーニング中にモデルが観察したものとわずかに異なる場合、モデルのパフォーマンスが大幅に低下します。
この状況では、古いデータと新しいデータの両方を使用してトレーニング プロセスを再開する必要がありますが、これは計算コストが高くつき、人間の学習プロセスと一致せず、ストレージの制約とプライバシーの懸念が生じます。
あるいは、継続学習は、さまざまなアプリケーション分野の非定常環境における新しいクラス、タスク、およびデータの漂流性に対処するための、統合された持続可能なディープ モデルを開発するための重要なアプローチとして浮上しています。
継続的な学習手法により、モデルが時間の経過とともに適応して知識を蓄積できるようになります。これは、進化するデータセットや新しいタスクのパフォーマンスを維持するために不可欠です。
この系統的レビュー論文は、医用画像解析に適用される最先端の継続学習技術の包括的な概要を提供します。
私たちは、壊滅的な忘却、データドリフト、安定性、可塑性の要件などのトピックをカバーする、既存の研究の広範な調査を紹介します。
さらに、継続学習シナリオ、手法、評価スキーム、指標などの継続学習フレームワークの主要コンポーネントについての詳細な説明が提供されます。
継続的な学習手法には、リハーサル、正則化、アーキテクチャ、ハイブリッド戦略など、さまざまなカテゴリが含まれます。
私たちは、放射線学や組織病理学などのさまざまな医療下位分野における継続学習カテゴリの人気と適用性を評価します…

要約(オリジナル)

Medical imaging analysis has witnessed remarkable advancements even surpassing human-level performance in recent years, driven by the rapid development of advanced deep-learning algorithms. However, when the inference dataset slightly differs from what the model has seen during one-time training, the model performance is greatly compromised. The situation requires restarting the training process using both the old and the new data which is computationally costly, does not align with the human learning process, and imposes storage constraints and privacy concerns. Alternatively, continual learning has emerged as a crucial approach for developing unified and sustainable deep models to deal with new classes, tasks, and the drifting nature of data in non-stationary environments for various application areas. Continual learning techniques enable models to adapt and accumulate knowledge over time, which is essential for maintaining performance on evolving datasets and novel tasks. This systematic review paper provides a comprehensive overview of the state-of-the-art in continual learning techniques applied to medical imaging analysis. We present an extensive survey of existing research, covering topics including catastrophic forgetting, data drifts, stability, and plasticity requirements. Further, an in-depth discussion of key components of a continual learning framework such as continual learning scenarios, techniques, evaluation schemes, and metrics is provided. Continual learning techniques encompass various categories, including rehearsal, regularization, architectural, and hybrid strategies. We assess the popularity and applicability of continual learning categories in various medical sub-fields like radiology and histopathology…

arxiv情報

提供元, 利用サービス

arxiv.jp, Google