CDP-KDNet：資源効率の良い超音波エラストグラフィのためのカリキュラム誘導型動的プルーニングと知識蒸留

科学分野:

• 医用画像処理
• 機械学習
• 超音波技術

背景:

• 畳み込みニューラルネットワーク（CNN）ベースの光フローモデルは、超音波（RF）およびBモード（BM）モーション推定において優れています。
• 複雑なCNNアーキテクチャは、高いパラメータ数と計算コストのため、リソースが制約されたデバイスへの展開に課題をもたらします。

研究 の 目的:

• パフォーマンスを維持しながら複雑さを低減する、超音波モーション推定のための新しい圧縮深層学習モデルを開発すること。
• 効率的なモデル圧縮のために、動的プルーニング、知識蒸留、およびカリキュラム学習を統合すること。

主な方法:

• 教師ネットワーク（UMEN-Net）を開発し、教師なしモーション推定に使用しました。
• プルーニングされたサブネットワーク（DP-Net）を作成し、圧縮技術を適用して最終モデル（CDP-KDNet）を生成しました。
• シミュレーション、ファントム、および生体内超音波データでCDP-KDNetを評価しました。

主要な成果:

• CDP-KDNetは、DP-Netおよびその他の軽量CNNと比較して、軸方向ひずみ推定において優れた信号対雑音比（SNR）およびコントラスト対雑音比（CNR）を示しました。
• モデルは、パラメータ数の45.3％および浮動小数点演算数の67.8％しか使用せずに、教師ネットワークに匹敵するパフォーマンスを達成しました。
• 教師なしモデルとして、CDP-KDNetはトレーニング中に正解ラベルを必要としません。

結論:

• CDP-KDNetは、超音波モーション推定のためのモデル複雑性を大幅に低減します。
• このモデルは、リソースが限られたデバイス上で高度なモーション推定技術を展開するための、有望で効率的でラベル不要なソリューションを提供します。