从多模态到单模态分割网络的知识蒸馏
计算机视觉与模式识别
2021-06-18 v1 人工智能
机器学习
摘要
近年来，多种成像模态联合用于医学图像分割已被广泛研究。在若干应用中，融合来自不同模态的信息已被证明能提高分割精度，优于单模态分割。然而，由于医师和扫描仪数量有限，以及为控制成本和扫描时间，在临床环境中通常无法获取多种模态。大多数情况下仅获取一种模态。本文中，我们提出 KD-Net，一种将知识从训练好的多模态网络（教师）迁移到单模态网络（学生）的框架。所提方法是广义蒸馏框架的适配，其中学生网络在教师输入（n 个模态）的子集（1 个模态）上训练。我们利用 BraTS 2018 数据集在脑肿瘤分割中展示了该框架的有效性。使用不同架构，我们表明学生网络有效地从教师学习，并且在分割精度上始终优于基线单模态网络。
引用
@article{arxiv.2106.09564,
title = {Knowledge distillation from multi-modal to mono-modal segmentation networks},
author = {Minhao Hu and Matthis Maillard and Ya Zhang and Tommaso Ciceri and Giammarco La Barbera and Isabelle Bloch and Pietro Gori},
journal= {arXiv preprint arXiv:2106.09564},
year = {2021}
}
备注
MICCAI 2020