基于形状-强度知识蒸馏的鲁棒医学图像分割
图像与视频处理
2024-09-27 v1 计算机视觉与模式识别
摘要
许多医学图像分割方法已取得令人瞩目的成果。然而，大多数现有方法未考虑形状-强度先验信息，可能导致不合理的分割结果，尤其是针对未见数据集。本文提出一种新方法，将联合形状-强度先验信息纳入分割网络。具体而言，我们首先在类别平均训练图像上训练分割网络（视为教师网络），以提取有价值的形状-强度信息，然后通过知识蒸馏将其传递给具有相同网络结构的学生分割网络。如此一来，作为最终分割模型的学生网络能够有效整合形状-强度先验信息，从而获得更准确的分割结果。尽管方法简单，实验在来自不同模态的五个医学图像分割任务上表明，所提出的形状-强度知识蒸馈（SIKD）在内部数据集评估下， consistently 改善了几个基线模型（包括最新的 MaxStyle 和 SAMed），并在跨数据集的泛化能力方面显著提升。代码已公开于 https://github.com/whdong-whu/SIKD。
引用
@article{arxiv.2409.17503,
title = {Shape-intensity knowledge distillation for robust medical image segmentation},
author = {Wenhui Dong and Bo Du and Yongchao Xu},
journal= {arXiv preprint arXiv:2409.17503},
year = {2024}
}