一个单个阶段的知识蒸网络用于在有限的MR图像模式上对脑瘤进行细分
Yoonseok Choi1, Mohammed A Al-Masni2, Kyu-Jin Jung1
1Department of Electrical and Electronic Engineering, College of Engineering, Yonsei University, Seoul 03722, Republic of Korea.
Computer methods and programs in biomedicine
|June 12, 2023
概括
这项研究引入了一种新的单阶段知识蒸方法,用于使用有限的MRI扫描进行脑瘤细分. 该方法有效地将知识从完整模式转移到有限模式,提高临床应用的细分精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 准确的脑瘤细分对于诊断和治疗计划至关重要.
- 多模式MRI (T1,T2,FLAIR,T1CE) 可以改善细分,但并不总是从临床上可行的.
- 由于成本和时间的限制,通常使用有限的MRI模式.
研究的目的:
- 开发一个单阶段的知识蒸算法,用于使用有限的MRI模式进行脑瘤细分.
- 为了使有效的知识从教师网络 (完整的模式) 到学生网络 (有限的模式) 的转移.
- 在临床环境中改善脑瘤细分的性能,在临床环境中,完全的MRI获取是不切实际的.
主要方法:
- 提出了一种新的单阶段知识蒸算法,同时培养教师和学生网络.
- 通过在潜伏空间中使用巴洛双胞胎损失来减少网络之间的冗余来实现知识传输.
- 像素级知识蒸是使用深度监督和交叉损失来实现的.
主要成果:
- 单阶段蒸方法在有限的模式 (FLAIR和T1CE) 上显著改善了学生网络的表现.
- 获得了高的子得分:91.11% (瘤核心),89.70% (增强瘤) 和92.20% (整个瘤).
- 使用有限的MRI数据,超越现有的最先进的细分方法.
结论:
- 拟议的方法证明了知识蒸用于脑瘤细分的可行性,使用有限的MRI模式.
- 这种方法使先进的细分技术更接近实际的临床应用.
- 突出了人工智能在提高神经瘤学诊断准确性和效率方面的潜力.
