ty -jour a2 -chen，lei au -zhao，bin au -liu -liu，zhiyang au -liu，guohua au -cao，chen au -jin -jin，song au -wu -wu -hong au -ding -ding -shuxue py -2021 da -2021 da -2021/2021/2021/2021/01/30 TI-使用一些完全标记的受试者SP -3628179 VL -2021 AB-急性缺血性中风（AIS），对多模式MR图像进行深度学习在没有适当和迅速治疗的情况下进行严重的结果。为了准确诊断AI，定量评估AIS病变至关重要。通过采用卷积神经网络（CNN），已经提出了许多用于磁共振成像（MRI）缺血性卒中病变分割的自动方法。但是，大多数基于CNN的方法应接受大量完全标记的受试者的培训，并且标签注释是一项劳动密集型且耗时的任务。因此，在本文中，我们建议使用许多弱标记和一些完全标记的受试者的混合物，以减轻完全标记的受试者的渴望。特别是，提出了一个具有两个分支的多次图融合网络（MFMF-NETWORK），其中使用数百个弱标记的受试者来训练分类分支，并采用了几个完全标记的受试者来调整分段分支。通过对398个弱标记和5个完全标记的受试者进行培训，该方法能够达到平均骰子系数 0.699 ± 0.128 在具有179名受试者的测试集中。还评估了病变和受试者指标的病变指标，其中的病变F1评分为0.886，并达到主题检测率为1。SN -1748-670X UR -https：//doi.org/10.1155/2021/3628179 do -10.1155/2021/3628179 JF-医学中的计算和数学方法