医用画像分割における継続学習は、ドメインシフトが存在する場合に困難を伴う。従来のリプレイベースの手法は、外観情報を保存するものの、解剖学的構造を明示的にモデル化していないため、新しいタスクへの適応が制限される。この問題に対処するため、本研究では境界バランスリプレイネットワーク（BBR-Net）を提案する。BBR-Netは、境界認識優先度とクラスバランスを用いてリプレイサンプルを選択し、解剖学的に情報価値の高い領域を保存する。
BBR-Netの核心は、境界情報を活用してリプレイサンプルを選別することにある。具体的には、各サンプルにおける境界領域の複雑さとクラス分布を評価し、重要な解剖学的境界を含むサンプルを優先的に選択すると同時に、異なるクラス間のバランスを確保する。これにより、限られたストレージ容量の中で、構造的に代表的な情報を最大限に保持できる。
提案手法の有効性を検証するため、心臓超音波画像の公開データセットであるCAMUSとCardiacNetを用いて実験を行った。実験は前方タスク順序（CAMUSからCardiacNet）と逆タスク順序（CardiacNetからCAMUS）の両方で実施された。前方タスクでは、BBR-Netはオフラインのジョイントトレーニング（全データを同時に使用）に近い性能を達成し、壊滅的忘却を著しく低減しつつ、目標タスクへの適応も維持した。アブレーション実験により、境界認識優先度が知識保持に寄与し、クラス認識サンプリングと組み合わせることで、ソースタスクの保持と目標タスク適応のバランスが改善されることが示された。
一方、逆タスクでは、モデルが最初にCardiacNetで学習した際に、そのデータがノイズを含み構造的一貫性に欠けるため、構造認識リプレイが期待通りに機能しなかった。この影響を分離するため、研究者は制御された構造摂動分析を実施した。具体的には、データセット、アーキテクチャ、トレーニングプロトコルを固定したまま、ソースタスクの境界の構造的信頼性を段階的に低下させた。その結果、構造信頼性の低下に伴い忘却が一貫して増加し、リプレイの有効性は記憶容量ではなく保存された構造情報の質に強く依存することが示唆された。
これらの発見は、ドメインシフト下での解剖学的構造の保存が継続的医用画像分割の中心的な要素であり、リプレイメカニズムは頑健な知識保持を支援するために構造信頼性を考慮すべきであることを示している。今後の研究では、構造信頼性を動的に評価し適応的にリプレイ戦略を調整する方法が探求されるだろう。