LESEN：用于多参数 MRI 视觉通路分割的标签高效深度学习
图像与视频处理
2024-01-04 v1 机器学习
摘要
最近的研究显示了深度学习在多参数 MRI 视觉通路 (VP) 分割中的潜力。然而，获取用于训练的标注数据既费力又耗时。因此，在标注样本有限的情况下开发有效算法至关重要。在这项工作中，我们提出了一种带有自集成的标签高效深度学习方法 (LESEN)。LESEN 结合了监督和无监督损失，使学生模型和教师模型能够相互学习，形成一个自集成均值教师框架。此外，我们引入了一种可靠无标签样本选择 (RUSS) 机制，以进一步增强 LESEN 的有效性。我们在人类连接组计划 (HCP) 数据集上的实验表明，与最先进的技术相比，我们的方法具有优越的性能，推动了多模态 VP 分割的发展，用于临床和研究环境中的综合分析。实现代码将可在以下网址获取：https://github.com/aldiak/Semi-Supervised-Multimodal-Visual-Pathway-Delineation。
引用
@article{arxiv.2401.01654,
title = {LESEN: Label-Efficient deep learning for Multi-parametric MRI-based Visual Pathway Segmentation},
author = {Alou Diakite and Cheng Li and Lei Xie and Yuanjing Feng and Hua Han and Shanshan Wang},
journal= {arXiv preprint arXiv:2401.01654},
year = {2024}
}