基于师生学习域间对齐预测高分辨率脑网络
图像与视频处理
2021-10-08 v1 计算机视觉与模式识别
机器学习
神经元与认知
摘要
准确且自动化的超分辨率图像合成备受期待，因为它极有潜力规避获取高成本医学扫描以及耗时的神经影像数据预处理流程的需要。然而，现有深度学习框架仅被设计用于从低分辨率（LR）图像预测高分辨率（HR）图像，这限制了它们对脑图（即连接组）的泛化能力。少数工作聚焦于超分辨率脑图，其目标是从单个 LR 图预测 HR 图。尽管有前景，现有工作主要关注属于同一域（例如功能域）的图超分辨率，忽视了多模态脑数据分布（例如形态学与结构域）之间存在的域断裂。为此，我们提出了一种新颖的域间自适应框架，即利用知识蒸馏网络学习超分辨率脑图（L2S-KDnet），其采用师生范式来超分辨率脑图。我们的教师网络是一个图编码器-解码器，首先学习 LR 脑图嵌入，其次利用对抗正则化学习如何将所得潜在表示对齐到 HR 真实数据分布。最终，它从对齐的嵌入中解码出 HR 图。接下来，我们的学生网络学习对齐脑图的知识以及从教师迁移而来的预测 HR 图的拓扑结构。我们进一步利用教师的解码器来优化学生网络。L2S-KDnet 提出了首个基于域间对齐、专为脑图超分辨率合成设计的师生（TS）架构。我们的实验结果表明相对于基准方法取得了显著的性能提升。
引用
@article{arxiv.2110.03452,
title = {Inter-Domain Alignment for Predicting High-Resolution Brain Networks Using Teacher-Student Learning},
author = {Basar Demir and Alaa Bessadok and Islem Rekik},
journal= {arXiv preprint arXiv:2110.03452},
year = {2021}
}