DCL-SE：面向脑成像的动态课程学习的时空编码
计算机视觉与模式识别
2025-11-20 v1 人工智能
机器学习
摘要
高维神经影像分析在临床诊断中常受制于时空保真度的妥协以及大规模通用模型的适应性有限。为此，我们提出一种基于数据驱动的时空编码（DaSE）的动态课程学习框架，用于时空编码（DCL-SE）。我们利用近似秩池化（Approximate Rank Pooling, ARP）高效地将三维体积脑数据编码为信息丰富的二维动态表示，然后采用由动态组别机制（Dynamic Group Mechanism, DGM）指导的动态课程学习策略，对解码器进行渐进式训练，逐步细化从全局解剖结构到细微病理细节的特征提取。我们在六个公开数据集上进行评估，包括阿尔茨海默病和脑肿瘤分类、脑动脉分割以及脑年龄预测。DCL-SE 在准确率、鲁棒性和可解释性方面均一致优于现有方法。这些发现凸显了在大规模预训练网络时代，紧凑且任务特定的体系结构的重要性。
引用
@article{arxiv.2511.15151,
title = {DCL-SE: Dynamic Curriculum Learning for Spatiotemporal Encoding of Brain Imaging},
author = {Meihua Zhou and Xinyu Tong and Jiarui Zhao and Min Cheng and Li Yang and Lei Tian and Nan Wan},
journal= {arXiv preprint arXiv:2511.15151},
year = {2025}
}