通过跨窗知识蒸馏揭示肺部CT中的潜在病理特征
图像与视频处理
2026-05-14 v1 人工智能
计算机视觉与模式识别
摘要
多窗CT成像捕获不同密度解剖结构的互补病理信息，但现有深度学习方法仅在后期阶段融合表征，忽略了跨密度相互作用。我们提出一种跨窗知识蒸馏框架，其中学生编码器从在最信息丰富窗上训练的教师学习潜在临床先验。对三个队列进行了回顾性评估——COPD-CT-DF(n=719)、RSNA PE(n=1,433)和本机CTEPD数据集(n=161)——蒸馈使COPD-CT-DF上每个窗的AUC提高10.1-16.5个百分点(从0.75-0.81到0.90-0.94;所有P<0.001)，集成AUC达到0.9960。RSNA PE和CTEPD上也观察到类似的提升。跨窗蒸馈内在化了对监督方法不可见的病理特征，为多窗肺部CT分析提供了通用解决方案。
引用
@article{arxiv.2605.12562,
title = {Uncovering Latent Pathological Signatures in Pulmonary CT via Cross-Window Knowledge Distillation},
author = {Bo Peng and Wujian Xu and Kun Wang and Ximing Liao and Na Wang and Daqian Shi and Tian Li and Jing Gao and Johan Thygesen and Yingqun Ji and Honghan Wu},
journal= {arXiv preprint arXiv:2605.12562},
year = {2026}
}