arXiv:2511.15151v1 Announce Type: cross 
Abstract: High-dimensional neuroimaging analyses for clinical diagnosis are often constrained by compromises in spatiotemporal fidelity and by the limited adaptability of large-scale, general-purpose models. To address these challenges, we introduce Dynamic Curriculum Learning for Spatiotemporal Encoding (DCL-SE), an end-to-end framework centered on data-driven spatiotemporal encoding (DaSE). We leverage Approximate Rank Pooling (ARP) to efficiently encode three-dimensional volumetric brain data into information-rich, two-dimensional dynamic representations, and then employ a dynamic curriculum learning strategy, guided by a Dynamic Group Mechanism (DGM), to progressively train the decoder, refining feature extraction from global anatomical structures to fine pathological details. Evaluated across six publicly available datasets, including Alzheimer's disease and brain tumor classification, cerebral artery segmentation, and brain age prediction, DCL-SE consistently outperforms existing methods in accuracy, robustness, and interpretability. These findings underscore the critical importance of compact, task-specific architectures in the era of large-scale pretrained networks.

تم تقديم التعلم الديناميكي للمناهج لتشفير الزمان والمكان (DCL-SE) كإطار يهدف إلى تحسين تحليلات التصوير العصبي للتشخيص السريري. تستخدم هذه الطريقة تجميع الرتبة التقريبية لتحويل بيانات الدماغ ثلاثية الأبعاد إلى تمثيلات ديناميكية ثنائية الأبعاد، وتوظف استراتيجية تعلم منهجية ديناميكية لتحسين استخراج الميزات. تم تقييم الإطار عبر ستة مجموعات بيانات متاحة للجمهور، بما في ذلك تصنيف مرض الزهايمر والأورام الدماغية، مما يظهر إمكانياته في التصوير الطبي.

Se presenta el Aprendizaje Dinámico del Currículo para la Codificación Espaciotemporal (DCL-SE) como un marco destinado a mejorar los análisis de neuroimagen para el diagnóstico clínico. Este enfoque utiliza el Agrupamiento de Rango Aproximado para convertir datos cerebrales tridimensionales en representaciones bidimensionales, empleando una estrategia de aprendizaje dinámico para mejorar la extracción de características. El marco ha sido evaluado en conjuntos de datos relacionados con la enfermedad de Alzheimer y tumores cerebrales, mostrando su potencial en la imagen médica.

L'apprentissage dynamique du curriculum pour l'encodage spatiotemporel (DCL-SE) est présenté comme un cadre visant à améliorer les analyses de neuroimagerie pour le diagnostic clinique. Cette approche utilise le regroupement de rang approximatif pour convertir les données cérébrales tridimensionnelles en représentations bidimensionnelles, employant une stratégie d'apprentissage dynamique pour améliorer l'extraction des caractéristiques. Le cadre a été évalué sur des ensembles de données liés à la maladie d'Alzheimer et aux tumeurs cérébrales, montrant son potentiel en imagerie médicale.

Dynamic Curriculum Learning for Spatiotemporal Encoding (DCL-SE) is introduced as a framework aimed at enhancing neuroimaging analyses for clinical diagnosis. This approach utilizes Approximate Rank Pooling to convert three-dimensional brain data into two-dimensional representations, employing a dynamic curriculum learning strategy to improve feature extraction. The framework has been evaluated on datasets related to Alzheimer's disease and brain tumors, showcasing its potential in medical imaging.

DCL-SE: Dynamic Curriculum Learning for Spatiotemporal Encoding of Brain Imaging

One More Thing in AI – Your Shortcut to AI Mastery

DCL-SE: Dynamic Curriculum Learning for Spatiotemporal Encoding of Brain Imaging

Was this article worth reading? Share it

One More Thing in AI

LucidQuery AI

Brainactive

Thinkability

ClassX

Attentive AI

Ready to build your own newsroom?