基于知识蒸的TinyML模型用于乳腺癌检测,使用真实和Wasserstein GAN生成的微波成像数据

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 微型机器学习 (TinyML) 能够在边缘设备上进行智能癌症诊断.
• 使用微波成像数据优化TinyML用于乳腺癌诊断,存在特定领域的挑战.
• 微波成像数据集的稀缺性阻碍了强大的诊断模型的开发.

研究的目的:

• 为乳腺癌诊断中高效的TinyML模型提出一个新的知识蒸框架.
• 为了提高TinyML诊断工具的准确性和减少模型大小.
• 通过生成合成微波成像数据集来解决数据稀缺问题.

主要方法:

• 一种使用剩余卷积神经网络进行知识蒸的教师-学生模型方法.
• 从高精度的教师模型开发一个轻量级的学生模型,通过知识转移进行培训.
• 合成乳腺癌数据集的生成使用Wasserstein生成对抗网络与梯度惩罚 (WGAN-GP) 并使用一类支持向量机器验证.

主要成果:

• 教师模型实现了95.42%的准确性.
• 经过知识蒸后,学生模型达到95.32%的准确性,模型大小减少了96%.
• 没有蒸的学生模型实现了86.5%的准确性,突显了拟议方法的有效性.
• 结合真实和合成数据的培训增强了模型的稳定性.

结论:

• 拟议的知识蒸框架显著提高了TinyML模型用于乳腺癌检测的效率和准确性.
• 合成数据集生成解决了数据稀缺问题,提高了TinyML在现实世界乳腺癌诊断中的可行性.
• 这种方法有助于在边缘设备上有效和准确地检测乳腺癌,支持临床环境中的早期诊断.