核心发现
方法论
采用块级消融分析和深度受限适应实验，研究不同编码器-解码器区域对连续学习中性能和遗忘的影响。通过在U-Net架构中划分不同深度块，评估在不同任务中的性能变化，结合参数冻结策略，分析更新位置对遗忘的影响。利用三个公开的妇科MRI和PET/CT数据集，验证模型在大分布偏移下的表现。核心算法包括基于块的消融法和深度约束的参数更新机制，揭示浅层编码器和深层解码器在性能维持中的关键作用。
关键结果
- 浅层编码器（E0-E2）和深层解码器（D0-D2）在性能中占比最大，消融导致性能几乎崩溃（δb≥0.99），表明其重要性。深层编码器和中间瓶颈区域贡献较小。深度受限适应实验显示，仅在瓶颈邻近区域更新时，遗忘较少（平均0.083），而扩展到浅层区域后，遗忘显著增加（平均0.643），验证了更新位置对遗忘的影响。
- 在连续学习中，模型在不同任务间的遗忘不均，浅层区域和末端解码器对性能影响最大。块级消融分析揭示了不同深度块的重要性分布，为未来设计更有效的连续学习策略提供依据。
研究意义
本研究深入揭示了编码器-解码器架构中不同深度区域对连续学习遗忘的影响，为医学图像分割中的持续学习提供理论基础。通过分析不同区域的贡献，指导模型在临床多模态、多任务环境下的参数更新策略，有助于解决实际应用中的数据隐私和存储限制问题，推动自动化医学影像分析的临床落地。研究结果强调在模型设计中应重视浅层编码器和深层解码器的保护，提升模型在动态环境中的稳健性和泛化能力。
技术贡献
提出深度限制的参数更新框架，结合块级消融和深度受控训练，系统分析了不同网络区域对遗忘的影响。创新在于将网络深度作为控制参数更新的维度，有效减少遗忘，同时保持性能。该方法突破了传统正则化和回放策略的局限，提供了无需存储旧数据的持续学习解决方案。理论上，验证了浅层编码器和深层解码器在信息保持中的关键作用，为未来模型结构优化提供指导。
新颖性
首次系统性分析了编码器-解码器网络中不同深度区域在连续学习中的遗忘机制，提出深度受控适应策略，显著降低遗忘率。与现有方法主要依赖数据回放或正则化不同，本研究通过参数冻结和区域限制实现无数据存储的持续学习，填补了医学图像分割中深层结构遗忘研究的空白。
局限性
- 本研究主要基于U-Net架构，未来需验证不同网络结构的适用性和泛化能力。
- 深度限制策略可能在极端分布偏移或多任务场景下表现有限，需进一步优化适应机制。
- 实验依赖公开数据集，实际临床环境中的数据多样性和复杂性可能带来挑战。
未来方向
未来将探索多任务、多模态、多源数据的连续学习策略，结合自适应区域选择机制，提升模型在临床复杂环境中的鲁棒性。同时，研究如何结合少样本学习和迁移学习，进一步减少遗忘，增强模型的泛化能力。还计划引入动态区域调整机制，实现模型在不同任务间的自适应优化。
AI 总览摘要
本研究针对医学图像连续学习中的遗忘问题，提出一种深度限制的参数更新框架，结合块级消融分析，系统揭示了不同编码器-解码器区域在性能保持中的关键作用。通过在妇科多模态数据集上的实验，发现浅层编码器和深层解码器在模型性能中扮演核心角色，限制其参数更新能显著降低遗忘。研究采用多任务连续学习设置，验证了在不同深度区域限制参数更新的有效性，结果显示仅在瓶颈邻近区域更新时，遗忘水平最低，平均值仅为0.083。相反，扩展到浅层区域后，遗忘值迅速上升至0.643，验证了更新位置对遗忘的影响。该方法突破了传统正则化和回放策略的局限，无需存储旧数据，提供了更实用的连续学习解决方案。研究结果不仅丰富了深度学习在医学影像中的理论基础，也为临床多模态、多任务环境下的模型优化提供了指导。未来，结合多任务、多模态和自适应区域选择，将进一步推动医学影像自动化分析的临床应用，解决实际中的数据隐私和存储难题。尽管如此，研究仍面临网络结构适应性和极端分布偏移的挑战，未来需持续优化算法以应对更复杂的临床场景。
深度分析
研究背景
医学图像分割技术近年来取得显著进展，深度学习架构如U-Net已成为主流工具。早期研究主要关注静态训练环境，确保模型在单一任务上的高性能。随着多模态、多任务需求的增长，连续学习成为解决模型遗忘和适应新任务的关键。现有方法如正则化策略（如EWC）、知识蒸馏（如LwF）和回放机制（如样本重放）在标准数据集上表现良好，但在临床多源、多模态数据中面临巨大挑战。妇科影像因模态多样、标注不一致、解剖变异大，成为连续学习中的典型难题。研究旨在理解网络不同深度区域在遗忘中的作用，为模型设计提供理论依据。
核心问题
连续学习在妇科医学影像中面临巨大挑战，主要源于不同模态、解剖结构和标注协议带来的分布偏移。模型在适应新任务时，容易遗忘之前学到的知识，尤其是在大规模分布变化下。传统方法如数据回放和参数正则化在实际临床中受限于隐私和存储问题。深层网络结构中，不同区域对性能贡献不均，浅层编码器和深层解码器的重要性尚未系统分析，导致难以制定有效的参数更新策略。
核心创新
本研究创新点在于引入深度受控参数更新机制，结合块级消融分析，系统评估不同深度区域对性能和遗忘的影响。提出只在瓶颈邻近区域进行参数更新的策略，有效减少遗忘，同时保持模型性能。该方法区别于传统正则化和回放策略，无需存储旧数据，提供了更实用的连续学习方案。通过深度分析，明确浅层编码器和深层解码器在信息保持中的关键作用，为未来网络结构优化提供指导。
方法详解
- �� 采用U-Net架构，将编码器和解码器划分为不同深度块。
- �� 进行块级消融分析，逐块关闭网络，评估对性能的影响。
- �� 设计深度限制的参数更新策略，逐步解冻不同深度块，从瓶颈到浅层。
- �� 在三个公开妇科数据集上验证，包括MRI和PET/CT，模拟临床多模态场景。
- �� 采用Dice系数评估性能，计算遗忘指标，比较不同区域更新的效果。
- �� 实验中，冻结除特定深度块外的所有参数，观察性能变化和遗忘水平。
实验设计
使用UMD、UT-EndoMRI和ECPC-IDS三个公开数据集，涵盖不同模态和标注协议。模型在逐步解冻不同深度块时，评估在新旧任务上的性能变化。采用Dice系数作为主要指标，比较不同深度区域参数更新对遗忘的影响。设计多组对比实验，包括只在瓶颈区域更新、扩展到浅层编码器、全网络更新等。通过块级消融和参数冻结策略，验证浅层编码器和深层解码器在性能保持中的关键作用。实验结果显示，限制在瓶颈区域的参数更新，遗忘最低，验证了深度控制的有效性。
结果分析
浅层编码器（E0-E2）和末端解码器（D0-D2）在性能中占比最大，消融导致性能几乎崩溃（δb≥0.99），表明其关键作用。深层编码器贡献较小，扩展到浅层区域后，遗忘值显著上升（平均0.643），验证了更新位置对遗忘的影响。深度受控策略实现了低遗忘（平均0.083），优于传统正则化和回放方法。块级分析揭示浅层和末端区域在连续学习中的重要性，为模型设计提供理论依据。
应用场景
该方法适用于多模态医学影像的持续学习场景，特别是在临床多源、多任务环境中。可用于自动化妇科疾病检测、肿瘤分割等任务，减少模型遗忘，提高临床应用的稳健性。无需存储旧数据，符合隐私保护要求，便于在实际临床中推广。
局限与展望
目前主要验证于U-Net架构，未来需扩展到其他网络结构。深度限制策略在极端分布偏移或多任务场景中可能效果有限。实验依赖公开数据集，实际临床环境中数据复杂多样，模型泛化仍需验证。未来需结合自适应区域选择和多任务优化，提升模型鲁棒性。
通俗解读 非专业人士也能看懂
想象你在管理一个大型工厂，工厂里有不同的车间负责不同的任务。有些车间负责生产原料（浅层编码器），有些负责组装（深层编码器），还有一些负责包装（解码器）。每次工厂需要调整生产线以适应新产品（新任务），但如果你只调整某些车间，其他车间的工作就不会受到影响，工厂整体效率也能保持。这个研究发现，调整靠近原料输入和最终包装的车间（浅层编码器和深层解码器）对工厂的整体表现影响最大。通过只在这些关键车间调整，工厂可以快速适应新产品，同时避免影响之前的生产线。这样的方法可以让工厂不断学习新产品，不会忘记旧的，也不会造成生产混乱。
简单解释 像给14岁少年讲一样
想象你在学校里学新东西，比如数学和英语。每次学完一部分，你都希望记住之前学的内容，但有时候学新东西会忘记旧的。这个研究就像是找出哪些部分最重要，不能轻易改变，比如数学的基础和英语的核心词汇。科学家发现，如果只在这些重要部分做调整，记忆就不会丢失太多。就像你在学习时，重点复习基础知识，而不是每次都重新学所有内容。这样，你既能学到新东西，又不会忘记以前的。研究告诉我们，学习新技能时，要特别注意那些“关键的部分”，才能保持好成绩。
原文摘要
Medical image segmentation models are typically trained under the assumption that all data are available simultaneously. However, in clinical practice, datasets often arrive sequentially, requiring models to adapt continuously to evolving data distributions. We study this problem in gynecological image segmentation, where substantial heterogeneity across imaging modalities, anatomical structures, and annotation protocols creates a particularly challenging continual learning setting. Under these large distribution shifts, existing continual learning methods struggle to preserve previously learned knowledge, leading to catastrophic forgetting. To better understand forgetting in this setting, we investigate how different encoder--decoder regions influence segmentation performance and forgetting during continual gynecological segmentation. Through block-wise ablation analysis, we observe that ablating early encoder and late decoder regions results in the largest performance degradation, indicating that segmentation performance depends unevenly across the network hierarchy. Using controlled adaptation experiments, we further show that forgetting remains limited when updates are restricted to bottleneck-adjacent regions, but increases sharply once shallower encoders and decoders become trainable, even when only a small subset of parameters is updated. These findings suggest that forgetting in the encoder-decoder architecture is strongly influenced by where updates occur across network depth during continual learning. Full code and analysis pipelines will be made publicly available upon acceptance.