技术摘要：BBR-Net：用于持续医学图像分割的边界平衡回放网络

1. 问题陈述

持续学习（CL）在医学图像分割领域面临着显著的挑战，特别是在领域偏移（domain shift）下的灾难性遗忘现象。现有的基于回放（replay-based）的方法通常优先考虑保留外观层面的信息（如像素分布或特征嵌入），或者依赖于随机/启发式的样本选择。然而，在医学影像中，图像的外观会随设备和协议的不同而发生剧烈变化，但潜在的解剖结构却相对稳定。

作者认为，目前的持续学习方法存在一个根本性的错配：它们优先考虑多变的特征外观而非不变的解剖结构。因此，模型虽然可能保留了数值性能指标，却无法保持解剖学上一致的表示，从而导致在临床应用中出现破碎的预测和不一致的边界。此外，目前尚未针对医学持续学习中存储样本的结构可靠性以及任务顺序（例如，是先学习干净数据还是先学习噪声数据）对回放机制的有效性进行系统分析。

2. 方法论：BBR-Net

本文提出了边界平衡回放网络（BBR-Net），该框架旨在将结构信息整合到持续心脏超声分割的记忆选择过程中。

核心架构

该框架采用双头 U-Net 主干网络：

• 分割头 ($f_{seg}$)：预测分割掩码。
• 边界头 ($f_{bnd}$)：预测解剖边界图，作为辅助约束以强化形状一致性。

边界感知回放策略

与对待所有样本一视同仁的标准回放不同，BBR-Net 构建了一个基于综合优先级评分的回放缓冲区，该评分量化了结构复杂度和类别平衡：

1. 边界感知优先级 ($S_b$)：对于给定的掩码 $y$，生成边界图 $B(y)$。结构重要性得分是边界像素的密度：
   $$S_b(y) = \frac{1}{HW} \sum_{i,j} B(y)_{ij}$$
   具有更高边界复杂度（更丰富的解剖轮廓）的样本被认为对于保留结构性知识更具信息量。

2. 类别平衡优先级 ($S_c$)：为了解决类别不平衡问题，对每个解剖类别的存在应用逆频率权重。稀有结构会被优先考虑，以确保它们不会被遗忘。
   $$S_c(y) = \sum_{c=1}^{C} w_c \cdot c_c(y), \quad \text{其中 } w_c = \frac{1}{n_c}$$

3. 基于优先级的缓冲区管理：最终的优先级得分 $P(x, y)$ 结合了这两个因素：
   $$P(x, y) = \alpha S_c(y) + \beta S_b(y)$$
   回放缓冲区 ($\mathcal{M}$) 根据此得分存储样本。在目标任务训练期间，样本根据其优先级比例进行采样，确保结构信息丰富且代表性不足的类别被更频繁地回放。

训练目标

模型使用多任务损失函数进行训练，该函数结合了分割损失（交叉熵 + Dice）、边界损失（二元交叉熵）和回放损失：
$$\mathcal{L} = \mathcal{L}_{seg} + \lambda_b \mathcal{L}_{bnd} + \lambda_r \mathcal{L}_{replay}$$
其中 $\lambda_b$ 和 $\lambda_r$ 分别控制边界监督和回放的贡献。

3. 实验设置

该方法在两个超声心动图数据集上进行了评估，采用了顺序学习设置：

• 源任务：CAMUS（干净、标注清晰）。
• 目标任务：CardiacNet（含有噪声、高变异性、临床条件多样）。

测试了两种任务顺序：

1. 正向 (Forward)：CAMUS $\to$ CardiacNet。
2. 反向 (Reverse)：CardiacNet $\to$ CAMUS。

此外，还进行了受控结构扰动分析，在保持所有其他变量固定的情况下，通过侵蚀/扩张边界逐步降低回放缓冲区中源任务掩码的结构可靠性，以隔离结构质量对遗忘的影响。

4. 关键结果

正向任务顺序 (CAMUS $\to$ CardiacNet)

• 性能：在学习目标任务后，BBR-Net 在源任务（CAMUS）上的 Dice 得分为 0.893，遗忘分数为 0.009。这与离线联合训练的参考值（0.902）几乎一致，并且显著优于标准微调（0.320）和普通回放（0.882）。
• 消融实验：结合边界感知和类别感知的优先级策略实现了源任务保留与目标任务适应之间的最佳平衡。仅边界优先级策略的表现略优于仅类别优先级策略，这表明结构性线索至关重要。
• 定性分析：BBR-Net 保持了平滑、连续的解剖边界和正确的拓扑关系，而基准模型在困难案例中表现出破碎的预测和结构崩溃。

反向任务顺序 (CardiacNet $\to$ CAMUS)

• 性能：观察到了显著的不对称性。当模型首先从带有噪声的 CardiacNet 数据集进行学习时，BBR-Net 失效了，表现出与微调相当的灾难性遗忘（遗忘度 $\approx$ 0.595）。
• 对比：在这种反向设置下，“加权采样回放”（不依赖结构先验）优于 BBR-Net，其保留 CardiacNet 知识的遗忘分数为 0.015。
• 启示：结构感知回放并非普遍优越；当最初学习到的结构先验不可靠或存在噪声时，它就会失效。

受控结构扰动

• 发现：随着回放掩码的结构可靠性下降（破坏严重程度 0 $\to$ 5），源任务的保留率单调下降（0.890 $\to$ 0.848），遗忘度增加（0.011 $\to$ 0.052）。
• 结论：回放的有效性强烈依赖于存储结构信息的质量，而不仅仅是记忆容量或样本频率。

5. 意义与主张

作者声称这项工作将医学图像分割的持续学习范式从外观保留转向了结构保留。

• 结构一致性作为驱动力：研究表明，解剖一致性而非外观相似性，是决定医学持续学习中知识保留的关键因素。
• 回放的条件有效性：论文挑战了“回放是通用解决方案”的假设。研究揭示了结构感知回放的有效性是有条件的：当早期学习到稳定的解剖先验时（正向顺序）它会奏效，但当初始表示存在噪声时（反向顺序）则会失效。
• 结构可靠性的作用：通过受控扰动，作者提供了经验证据，证明回放性能的退化直接归因于记忆缓冲区中结构信息的损坏，而与数据集难度或任务顺序无关。
• 实际意义：为了在异构临床环境中实现稳健部署，回放机制必须考虑存储样本的结构可靠性。如果初始数据存在噪声，依赖基于边界的优先级可能会放大误差而非纠正误差。

论文总结道，未来的持续学习框架应当显式地建模几何和解剖约束，而不是仅仅依赖于特征层面的对齐，并且理解任务顺序与结构可靠性之间的相互作用对于开发稳健的医学 AI 系统至关重要。