LightBTSeg：基于双路径联合知识蒸馏的超声图像轻量级乳腺肿瘤分割模型
图像与视频处理
2023-11-21 v1 计算机视觉与模式识别
摘要
乳腺肿瘤的准确分割是病灶检测的重要前提，对乳腺肿瘤研究具有重要临床价值。主流的基于深度学习的方法已取得突破。然而，这些高性能分割方法因常伴随高计算复杂度、海量参数、慢推理速度和巨大内存消耗，难以在临床场景中部署。为解决此问题，我们提出 LightBTSeg，一种用于轻量级乳腺肿瘤分割的双路径联合知识蒸馏框架。具体而言，我们设计了一个双教师模型，依据良性和恶性乳腺肿瘤的不同语义特征重对齐来表示乳腺超声的细粒度特征。特别地，我们利用瓶颈架构重构原始的 Attention U-Net，将其视为名为 Simplified U-Net 的轻量级学生模型。然后，利用良恶性类别的先验知识设计教师网络并结合双路径联合知识蒸馏，将来自笨重的良性和恶性教师模型的知识蒸馏至轻量级学生模型。在乳腺超声图像（BUSI 数据集）和乳腺超声数据集 B（Dataset B）上进行的广泛实验表明，LightBTSeg 优于多种同类方法。
引用
@article{arxiv.2311.11086,
title = {LightBTSeg: A lightweight breast tumor segmentation model using ultrasound images via dual-path joint knowledge distillation},
author = {Hongjiang Guo and Shengwen Wang and Hao Dang and Kangle Xiao and Yaru Yang and Wenpei Liu and Tongtong Liu and Yiying Wan},
journal= {arXiv preprint arXiv:2311.11086},
year = {2023}
}
备注
7 pages, 7 figures, conference