Continual Learning in Medical Imaging from Theory to Practice: A Survey and Practical Analysis

深度学习在重塑医学影像方面取得了巨大成功，但它面临着许多挑战，这些挑战阻碍了其广泛应用。像灾难性遗忘和在不断演化的数据流中出现的分布变化等问题增加了研究和应用之间的差距。持续学习通过使神经网络顺序获取新知识而不遗忘以前的学习，为解决这些障碍提供了希望。在本次调查中，我们全面回顾了医学领域中关于持续学习的最新文献，突出了最近的趋势，并指出了实际问题。具体而言，我们调查了医学领域中关于分类、分割、检测和其他任务的持续学习研究。此外，我们为回顾的研究开发了分类法，识别了挑战，并提供了克服这些挑战的见解。我们还批判性地讨论了医学影像中持续学习的当前状态，包括确定开放问题并概述有前途的未来方向。我们希望这项调查能够为研究人员提供有用的领域发展概述，并进一步增加社区的兴趣。为了跟上这个领域的快速发展，我们计划定期更新相关的最新论文存储库，网址为https://github.com/BioMedIA-MBZUAI/awesome-cl-in-medical。

解决问题：论文旨在综述医学图像中的Continual Learning研究，探讨其在解决医学图像中的挑战方面的应用。

关键思路：论文综述了Continual Learning在医学图像领域的应用，提出了一些解决方案，如增量学习、元学习和记忆增强等。相比当前领域的研究，论文的思路在于概括和总结这个领域的研究现状，为未来的研究提供方向。

其他亮点：论文对Continual Learning在医学图像分类、分割和检测等任务中的应用进行了综述，并提出了一些挑战和解决方案。论文还提供了一个分类法来总结这些研究，介绍了使用的数据集和开源代码，并讨论了未来研究的方向。

相关研究：最近的相关研究包括《Continual Learning in Computer Vision》、《Continual Learning for Robotics: Definition, Framework, and Review》等。