BBR-Net：面向持续医学图像分割的边界平衡回放方法

在医学图像分割领域，深度学习模型在面对持续学习场景时，通常需要处理来自不同来源或不同时间点的数据，这些数据之间往往存在领域偏移。传统的回放方法通过存储部分旧数据来避免灾难性遗忘，但这类方法通常侧重于保留外观信息，而未能显式建模解剖结构，导致在新任务上表现不佳。为了应对这一挑战，研究者提出了边界平衡回放网络（BBR-Net），该网络通过边界感知优先级和类别平衡策略，选择包含丰富解剖信息的样本进行回放，从而更好地保留结构知识。

BBR-Net的核心思想是利用边界信息来指导回放样本的选择。具体来说，它通过评估每个样本中边界区域的复杂性和类别分布，优先选择那些包含重要解剖边界的样本，同时确保不同类别之间的平衡。这种方法能够在有限的存储容量下，最大化地保留具有结构代表性的信息。

为了验证方法的有效性，研究者在CAMUS和CardiacNet两个公开的心脏超声图像数据集上进行了实验。实验分为前向任务（从CAMUS到CardiacNet）和反向任务（从CardiacNet到CAMUS）两种顺序。在前向任务中，BBR-Net的表现接近于离线联合训练（即同时使用所有数据训练）的水平，显著减少了灾难性遗忘，并保持了良好的目标任务适应能力。消融实验表明，边界感知优先级的引入有助于知识保留，而与类别感知采样结合时，能够更好地平衡源任务保留和目标任务适应之间的关系。

然而，在反向任务中，当模型最初在CardiacNet上学习时，由于该数据集包含噪声且结构一致性较差，结构感知回放策略未能发挥预期效果。为了隔离这一影响因素，研究者设计了控制实验：通过逐步破坏源任务边界的结构可靠性，同时固定数据集、网络架构和训练协议。实验结果显示，随着结构可靠性的下降，遗忘程度逐渐增加，这表明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的大小。

这些发现为持续医学图像分割的研究提供了重要启示：在领域偏移下保留解剖结构是核心因素，回放机制应当考虑结构可靠性以支持稳健的知识保留。未来的工作可以进一步探索如何动态评估结构可靠性，并自适应地调整回放策略，从而在更广泛的应用场景中实现高效的知识积累。