通过渐进式自学提升脑成像分析

最近的深度学习进展正在推动脑成像分析的发展。然而，仍存在诸多挑战，如异质性、个体差异以及高维度和小规模脑成像数据集之间的矛盾。这些问题使学习过程复杂化，阻碍模型捕获内在且有意义的模式，可能导致次优性能 due to biases and overfitting。课程学习（CL）作为一种有前景的解决方案，通过将训练样本从简单到复杂地组织来模拟人类学习过程，可能促进更稳健和准确模型的开发。尽管具有潜力，但小型初始训练数据集所固有的限制 presents significant挑战，包括过拟合和泛化不足。在本文中，我们引入了渐进式自学蒸馏（PSPD）框架，采用自适应和渐进式 pacing 和蒸馏机制。这允许根据过去和当前模型的状态进行动态课程调整。过去的模型作为教师，利用逐步细化的课程知识指导当前模型，并帮助防止先前获取知识的丢失。我们使用阿尔茨海默病神经影像计划（ADNI）数据集验证了PSPD 在各种卷积神经网络上的有效性和适应性，凸显了其在增强模型性能和泛化能力方面的优势。本方法的源代码将公开于 https://github.com/Hrychen7/PSPD。