ACT-Net：用于半监督内存高效医学图像分割的非对称协同教师网络
图像与视频处理
2022-10-20 v1 人工智能
计算机视觉与模式识别
摘要
尽管深度模型在医学图像分割中展现出有前景的性能，但它们严重依赖大量精细标注数据，而这些数据难以获取，尤其在临床实践中。另一方面，高精度深度模型通常具有较大的模型规模，限制了其在真实场景中的应用。本工作中，我们提出一种新颖的非对称协同教师框架 ACT-Net，以缓解半监督知识蒸馏中昂贵标注与计算成本的双重负担。我们通过协同教师网络改进师生学习，借助交替学生与教师角色实现从大模型到小模型的非对称知识蒸馏，从而获得小巧而精确的模型以供临床使用。为验证 ACT-Net 的有效性，我们在实验中采用 ACDC 数据集进行心脏亚结构分割。大量实验结果表明，ACT-Net 优于其他知识蒸馏方法，并以少 250 倍的参数量实现了无损分割性能。
引用
@article{arxiv.2207.01900,
title = {ACT-Net: Asymmetric Co-Teacher Network for Semi-supervised Memory-efficient Medical Image Segmentation},
author = {Ziyuan Zhao and Andong Zhu and Zeng Zeng and Bharadwaj Veeravalli and Cuntai Guan},
journal= {arXiv preprint arXiv:2207.01900},
year = {2022}
}