基于 U 形网络双重自蒸馏的体积医学图像分割

U 形网络及其变体在医学图像分割中已展现出卓越的结果。本文中，我们提出一种用于体积医学图像分割的 U 形网络中的新型双重自蒸馏（DSD）框架。DSD 将知识从真实分割标签蒸馏到解码器层。此外，DSD 还将知识从最深的解码器和编码器层分别蒸馏到单个 U 形网络中较浅的解码器和编码器层。DSD 是一种通用训练策略，可附加到任何 U 形网络的骨干架构上以进一步提升其分割性能。我们将 DSD 附加到多个最先进的 U 形骨干上，并在各种公开 3D 医学图像分割数据集（心脏亚结构、脑肿瘤和海马体）上的大量实验表明，相较于不带 DSD 的相同骨干，其有显著改进。平均而言，在 U 形骨干上附加 DSD 后，我们在心脏亚结构、脑肿瘤和海马体分割的 Dice 相似系数上分别观察到 2.82%、4.53% 和 1.3% 的提升，Hausdorff 距离分别降低 7.15 mm、6.48 mm 和 0.76 mm。这些改进是在可训练参数数量和训练时间几乎不增加的情况下实现的。我们提出的 DSD 框架相较于 U 形骨干，在心脏亚结构、脑肿瘤和海马体分割上也带来了显著的定性改进。源代码已公开于 https://github.com/soumbane/DualSelfDistillation。