训练标签的选择至关重要：如何最佳利用深度学习进行定量 MRI 参数估计
医学物理
2024-01-24 v3 机器学习
图像与视频处理
摘要
深度学习(DL)作为定量 MRI 的参数估计方法正日益流行。一系列相互竞争的实施方案被提出，依赖于监督或自监督学习。自监督方法(有时称无监督)松散地基于自编码器，而监督方法迄今在真实标签上训练。这两种学习范式已被证明具有不同优势。值得注意的是，自监督方法相比其监督替代方案提供了更低偏倚的参数估计。这一结果有违直觉——在理论上，利用监督标签的先验知识应带来准确性的提升。本工作中，我们表明监督方法的这一表面局限源于真实训练标签的朴素选择。通过在非真实、刻意选择的标签上训练，我们证明先前与自监督方法相关的低偏倚参数估计可在监督学习框架内被复现——并进一步改善。该方法为基于监督学习的单一、统一深度学习参数估计框架奠定了基础，其中偏倚与方差的权衡通过仔细调整训练标签实现。
引用
@article{arxiv.2205.05587,
title = {Choice of training label matters: how to best use deep learning for quantitative MRI parameter estimation},
author = {Sean C. Epstein and Timothy J. P. Bray and Margaret Hall-Craggs and Hui Zhang},
journal= {arXiv preprint arXiv:2205.05587},
year = {2024}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:002