CDP-KDNet: Aprendizaje Curricular Guiado por Poda Dinámica y Destilación de Conocimiento para Elastografía por...

Área de la Ciencia:

• Imagenología médica
• Aprendizaje automático
• Tecnología de ultrasonido

Sus antecedentes:

• Los modelos de flujo óptico basados en redes neuronales convolucionales (CNN) destacan en la estimación de movimiento por ultrasonido de radiofrecuencia (RF) y modo B (BM).
• Las arquitecturas complejas de CNN presentan desafíos de implementación en dispositivos con recursos limitados debido a la alta cantidad de parámetros y los costos computacionales.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo comprimido novedoso para la estimación de movimiento por ultrasonido que reduzca la complejidad manteniendo el rendimiento.
• Integrar poda dinámica, destilación de conocimiento y aprendizaje curricular para una compresión de modelos eficiente.

Principales métodos:

• Desarrolló una red maestra (UMEN-Net) para la estimación de movimiento no supervisada.
• Creó una subred podada (DP-Net) y aplicó técnicas de compresión para obtener el modelo final (CDP-KDNet).
• Evaluó CDP-KDNet en datos de ultrasonido simulados, fantasma y in vivo.

Principales resultados:

• CDP-KDNet demostró una relación señal/ruido (SNR) y una relación contraste/ruido (CNR) superiores para la estimación de deformación axial en comparación con DP-Net y otras CNN ligeras.
• El modelo logró un rendimiento comparable a la red maestra, utilizando solo el 45,3% de los parámetros y el 67,8% de las operaciones de punto flotante.
• Como modelo no supervisado, CDP-KDNet elimina la necesidad de etiquetas de verdad fundamental durante el entrenamiento.

Conclusiones:

• CDP-KDNet ofrece una reducción significativa en la complejidad del modelo para la estimación de movimiento por ultrasonido.
• El modelo proporciona una solución prometedora, eficiente y sin etiquetas para implementar técnicas avanzadas de estimación de movimiento en dispositivos con recursos limitados.