مقاله بهینه‌سازی در یادگیری ضعیف نظارت‌شده از دو بعدی پراکنده به سه بعدی متراکم: کاربرد در قطعه‌بندی چندبرچسبی داده‌های بزرگ MRI خارج از بدن.

مقدمه | بخش‌بندی کامل تحت نظارت MRI برون‌تنی با وضوح بالا به دلیل هزینه بالای حاشیه‌نویسی حجمی محدود است و اتکا به برش‌های دوبعدی پراکنده را اجتناب‌ناپذیر می‌سازد. چارچوب‌های پراکنده به متراکم تحت نظارت ضعیف این شکاف را پر می‌کنند، اما دستورالعمل‌ها در مورد بهبودهای بصری انسان‌محور و انتقال استراتژی‌های بهینه‌سازی در ابعاد مختلف مبهم باقی می‌مانند. ما نیازهای واگرای تنظیم‌کننده را برای بخش‌بندی چند کلاسه MRI نخاع برون‌تنی با وضوح بالا تجزیه و تحلیل می‌کنیم. روش‌ها | ما از MRI 9.4T از نخاع‌های مولتیپل اسکلروزیس (بیش از 104,000 برش) با حاشیه‌نویسی‌های پراکنده (428 برش) استفاده کردیم. یک معلم دوبعدی که بر روی برش‌های پراکنده آموزش دیده بود، برچسب‌های شبه متراکم را برای آموزش یک دانش‌آموز سه‌بعدی تولید کرد. ما به طور سیستماتیک تأثیر پیش‌پردازش انسان‌محور، افزایش فضایی و تنظیم‌کننده برچسب نرم را بر هر دو معماری ارزیابی کردیم. نتایج | ما واگرایی حیاتی در پویایی آموزش را شناسایی کردیم. معلم دوبعدی برای غلبه بر کمبود داده، به افزایش فضایی قوی و برچسب‌گذاری نرم نیاز داشت که امتیاز Dice ضایعات ماده سفید را بیش از 11 امتیاز بهبود بخشید. با این حال، انتشار این تکنیک‌ها به دانش‌آموز سه‌بعدی عملکرد آن را مختل کرد. علاوه بر این، پیش‌پردازش انسان‌محور (مانند CLAHE) سرنخ‌های آماری جهانی را مختل کرد و امتیاز Dice ضایعات ماده خاکستری را حدود 25 امتیاز کاهش داد. بحث | مطالعه ما واگرایی ادراکی (افزایش کنتراست انسان‌محور به مدل‌های ماشین آسیب می‌رساند) و تضاد تنظیم‌کننده در ابعاد مختلف را برجسته می‌کند. معماری‌های سه‌بعدی که بر روی برچسب‌های شبه متراکم آموزش دیده‌اند، چشم‌اندازهای بهینه‌سازی اساساً متفاوتی نسبت به همتایان دوبعدی خود نشان می‌دهند و به تنظیم‌کننده متمایز و محافظه‌کارانه نیاز دارند. کد و مدل‌ها: https://github.com/ivadomed/model_seg_sc-gm-lesion_human_ms_exvivo_t2star.

INTRODUCTION | Fully supervised 3D segmentation of high-resolution ex vivo MRI is limited by the prohibitive cost of volumetric annotation, forcing reliance on sparse 2D slices. Weakly supervised Sparse-to-Dense frameworks bridge this gap, but guidelines remain ambiguous regarding human-centric visual enhancements and transferring optimization strategies across dimensions. We analyze divergent regularization needs for multi-class segmentation of high-resolution ex vivo spinal cord MRI. METHODS | We used 9.4T MRI of multiple sclerosis spinal cords (>104,000 slices) with sparse annotations (428 slices). A 2D Teacher trained on sparse slices generated dense pseudo-labels to train a 3D Student. We systematically evaluated the impact of human-centric preprocessing, spatial augmentation, and soft-label regularization on both architectures. RESULTS | We identified a critical divergence in training dynamics. The 2D Teacher required strong spatial augmentation and soft-labeling to overcome data scarcity, improving White Matter Lesion Dice scores by >11 points. However, propagating these techniques to the 3D Student degraded its performance. Furthermore, human-centric preprocessing (e.g., CLAHE) disrupted global statistical cues, dropping Gray Matter Lesion Dice scores by ~25 points. DISCUSSION | Our study highlights a perception divergence (human-centric contrast enhancement harms machine models) and a regularization conflict across dimensions. 3D architectures trained on dense pseudo-labels exhibit fundamentally different optimization landscapes than 2D counterparts and require distinct, conservative regularization. Code and models: https://github.com/ivadomed/model_seg_sc-gm-lesion_human_ms_exvivo_t2star.