轻M:一个高效的轻量级医疗图像细分框架,用于资源有限的IoMT
Yifan Zhang1, Zhuangzhuang Chen1, Xuan Yang1
1Shenzhen University, 3688 Nanhai Ave., Shenzhen, 518060, Guangdong, China.
Computers in biology and medicine
|February 6, 2024
概括
本研究介绍了Light-M,这是一种使用知识蒸的新型架构,可以在资源有限的医疗物联网 (IoMT) 设备上实现轻量级AI模型,用于医疗图像细分,提高效率和性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 医疗事物的互联网 (IoMT)
背景情况:
- 医疗物联网 (IoMT) 整合到医疗保健中提供了增强的监控,但由于标准IoMT设备的资源限制和大型AI模型的需求,它面临着挑战.
- 现有的智能医疗保健解决方案难以平衡复杂的AI能力与边缘设备的限制.
研究的目的:
- 提出一种基于知识蒸 (KD) 的新终端云编排架构,Light-M,用于在资源有限的IoMT设备上部署轻量级的医疗图像细分模型.
- 解决需要大型人工智能模型和IoMT设备的局限性之间的悖论.
主要方法:
- 开发了Light-M,一种利用KD的IoMT架构,通过模仿强大的基于云的教师模型,在边缘设备上训练轻量级的学生模型.
- 实施了两个KD策略:积极探索和被动转移 (AEPT) 发现新特征和基于自我注意的类间特征变化 (AIFV) 增强类区别.
- 通过将KD策略限制在训练阶段,确保在部署期间没有额外的计算开销.
主要成果:
- 通过结合KD策略,Light-M架构展示了通过KD策略改进的学生模型学习表征.
- 与最先进的方法相比,在心脏和现实场景医疗图像细分任务上取得了更高的性能.
- 蒸的学生模型表现出高效的推断,在物联网设备上只需29.6毫秒完成任务.
结论:
- 拟议的Light-M框架有效地在IoMT设备上部署轻量级的医疗AI模型,克服资源限制.
- 新的AEPT和AIFV KD策略提高了医疗图像细分的模型性能和效率.
- 轻M为边缘的先进智能医疗保健服务提供了可行的解决方案.
