面向低资源医疗环境的医学影像量化机器学习模型

深度学习模型在医学图像分析中表现出强大的性能，但在资源有限的临床环境中部署仍然面临计算、内存和能源限制的挑战。本文提出了一种用于脑瘤分类的多策略压缩框架，包括量化感知训练、从DenseNet-101教师模型蒸馏到紧凑的DenseNet-32学生模型的知识蒸馏以及针对轻量级MobileNetV2骨干网络的低位后训练量化。使用包含青蒙素、脑膜肿瘤、垂体肿瘤和健康对照的多类脑瘤MRI数据集，我们提供了MobileNetV2基于管道的完整实验验证，通过三阶段迁移学习训练分类器，并通过TensorFlow Lite应用Float16量化。DenseNet-based蒸馏和量化感知训练策略在框架中作为互补的压缩方法，其完整经验评估保留给未来的工作。MobileNetV2管道的实验结果显示，量化模型在验证准确率上达到82.37%，与82.20%的全精度基线相当，模型大小从35.34 MB压缩至5.76 MB，压缩比为6.14倍，几乎没有精度损失。按类别评估确认，量化在所有四类肿瘤类别上都保持了诊断性能。这些发现表明，轻量级量化模型可以在资源受限的医疗环境中提供临床可行的脑瘤筛查。