基于图像重建的蒸馏学习用于一次性医疗图像分割
该研究提出了一种自动化数据增强方法,用于合成标记的医学图像,该方法可用于磁共振成像(MRI)的脑部扫描分割任务。该方法利用半监督方法,从未标注的扫描中学习图像变换模型,并使用标记示例合成其他标记示例。实验证明使用这些新示例进行监督分段器训练相比目前的一次性生物医学图像分割方法,有明显的改进。
Feb, 2019
本文介绍了一个用于医学图像分割的 KD-Net 框架,该框架可以从一个多模态网络(teacher)向一个单模态网络(student)传输知识,证明了其在使用 BraTS 2018 数据集进行脑肿瘤分割任务时,有效提高了分割的准确性。
Jun, 2021
我们提出了一种高效的网络结构,通过从训练充分的医学图像分割网络中提炼知识来训练另一个轻量级网络,从而使得轻量级网络在保留其运行效率的同时,显著提高了其分割能力。通过使用我们为医学图像分割量身定制的新颖蒸馏模式,从教师网络向学生网络传递语义区域信息,避免了处理医学图像时遇到的模糊边界问题。在我们的实验中,轻量级网络的性能提高了32.6%,同时在推理阶段保持了可移植性,并在LiTS17和KiTS19两个公认的公共CT数据集上进行了验证。
Aug, 2021
本文提出了ACTION模型,它是一种半监督医学图像分割的鲁棒性框架,通过 contrastive distillation算法及主动采样罕见的负例像素达到了更好的分割效果,并且可以应对医学图像标记分布不均的问题。实验表明,ACTION显著优于现有半监督方法的效果。
Jun, 2022
提出一种新型的不对称协作教师模型ACT-Net,通过协同教学方法,将大型模型的知识迁移到小型模型,实现半监督分割任务的高效处理,实验证明了该方法的有效性,并取得了比其他知识蒸馏方法更好的分割结果。
Jul, 2022
知识蒸馏在医学成像任务(如肾脏和肝脏肿瘤分割)中的应用面临挑战,为解决这些问题,我们提出了分层选择性反馈蒸馏(HLFD)方法,通过从中间层到较早层的蒸馏,以及将最终层的知识以特征和像素级别转移到中间层,实现模型从早期层学习更高质量的表示,从而生成一个稳健且紧凑的学生模型。大量的定量评估表明,HLFD方法显著优于现有方法,在肾脏分割任务中,与无知识蒸馏的学生模型相比,HLFD提升了10个百分点以上,显著改善了对肿瘤特定特征的关注。从质量上看,使用HLFD训练的学生模型能够抑制不相关信息,聚焦于肿瘤特定细节,为更高效准确的诊断工具开辟了新路径。
Nov, 2023
通过基于关系的知识框架和轻量级模型,实现了医学图像分割领域中的多种数据源的集成,提高了模型的泛化能力和适应性,同时减少了推理时间和存储使用,成为实时医学图像分割的实用和高效的解决方案。
Apr, 2024
本研究旨在探究神经网络在医学图像分割任务中的知识迁移可行性,特别关注从大规模多任务的“教师”网络向更小的“学生”网络的迁移。我们通过多尺度特征蒸馏和监督对比学习的结构,通过整合从教师模型获取的知识表示来提高学生模型的性能,并通过大量实验和消融研究评估了多尺度特征蒸馏的影响,以及不同损失对知识迁移的整体性能的影响。
Jun, 2024
本研究解决了现有医学图像分割方法未充分利用形状-强度先验信息的问题。作者提出了一种新的方法,将联合形状-强度先验信息融入分割网络中,通过知识蒸馏的方式提升学生网络的分割精度。实验结果表明,所提方法在不同模态的医学图像分割任务中显著改进了多个基线模型的表现,增强了跨数据集的泛化能力。
Sep, 2024