Erase to Enhance: Data-Efficient Machine Unlearning in MRI Reconstruction

这篇论文探讨了机器遗忘在医学图像翻译中的应用，尤其是在图像重建方面。机器遗忘是一种有望用于从训练模型中删除不需要的数据样本，以确保遵守隐私法规和减少有害偏差的新兴范例。虽然遗忘已经在分类和推荐系统中得到了证明，但其在医学图像翻译中的潜力尚未得到深入研究。本文表明，机器遗忘在MRI任务中是可行的，并具有有益于偏差消除的潜力。我们建立了一个协议来研究不同器官数据集之间存在多少共享知识，从而有效地量化遗忘的效果。我们的研究发现，将训练数据组合起来可能会导致幻觉和重建数据的图像质量降低。我们使用遗忘来消除幻觉，作为不需要的数据删除的代理示例。事实上，我们表明，即使只使用保留数据的子集，机器遗忘也是可能的而无需完全重新训练。此外，我们的观察表明，即使只使用保留数据的子集，也可以保持高性能。我们已经公开了我们的代码。

研究机器遗忘在医学图像重建中的应用，以消除偏见和错误数据对模型的影响。

通过机器遗忘来消除偏见和错误数据，提高医学图像重建的质量。

研究发现，将不同器官的数据集合并可能导致图像质量下降和虚假数据的出现。通过机器遗忘来消除虚假数据，可以提高图像重建的质量，而且不需要进行完整的重新训练。实验使用了公开数据集，并开放了代码。

近期的相关研究包括《Machine Learning for Medical Imaging: Probe the Boundaries and Explore the Frontiers》和《Unsupervised Learning for Medical Image Analysis Using Convolutional Neural Networks》等。