跨越缺失模态的鸿沟：利用知识蒸馏与风格匹配进行脑肿瘤分割
计算机视觉与模式识别
2025-07-31 v1
摘要
在医学图像分析中，尤其是在处理缺失模态的情况下，脑肿瘤精准可靠的分割仍是关键挑战。以往研究未能完全解决肿瘤边界分割不敏感以及在缺失关键成像模态时特征迁移的问题。本研究提出了 MST-KDNet 以应对这些关键问题。该模型包含多尺度Transformer知识蒸馏，以有效捕获不同分辨率的注意力权重；双模式Logit蒸馏以提高知识传递；以及全局风格匹配模块，将特征匹配与对抗学习相结合。在BraTS和FeTS 2024数据集上进行的全面实验表明，MST-KDNet 在Dice系数和HD95分数上均超越当前领先方法，尤其在严重模态丢失的情况下表现尤为突出。我们的方案展现出卓越的鲁棒性和泛化潜力，值得在实际临床应用中推广。我们的源代码已公开于 https://github.com/Quanato607/MST-KDNet。
引用
@article{arxiv.2507.22626,
title = {Bridging the Gap in Missing Modalities: Leveraging Knowledge Distillation and Style Matching for Brain Tumor Segmentation},
author = {Shenghao Zhu and Yifei Chen and Weihong Chen and Yuanhan Wang and Chang Liu and Shuo Jiang and Feiwei Qin and Changmiao Wang},
journal= {arXiv preprint arXiv:2507.22626},
year = {2025}
}
备注
11 pages, 2 figures