通过知识蒸馏在胸部X光片中实现弱监督结核病定位
计算机视觉与模式识别
2025-12-15 v1
摘要
结核病（TB）仍然是全球主要死因之一，尤其在资源匮乏的国家。胸部X光（CXR）成像是一种易于获取且具有成本效益的诊断工具，但需要专家解读，而这往往难以获得。尽管机器学习模型在结核病分类中表现出色，但它们通常依赖虚假相关性且难以泛化。此外，构建具有高质量标注的医学图像大型数据集需要大量资源以及领域专家的投入，通常需要多名标注者达成一致，这导致巨大的财务和后勤开支。本研究重新利用知识蒸馏技术来训练CNN模型，以减少虚假相关性，并在无需边界框标注的情况下定位与结核病相关的异常。通过利用基于ResNet50架构的师生框架，所提出的方法在TBX11k数据集上训练，取得了令人瞩目的0.2428 mIOU分数。实验结果进一步表明，学生模型始终优于教师模型，突显了其提升的鲁棒性以及在多样化环境中更广泛临床部署的潜力。
引用
@article{arxiv.2512.11057,
title = {Weakly Supervised Tuberculosis Localization in Chest X-rays through Knowledge Distillation},
author = {Marshal Ashif Shawkat and Moidul Hasan and Taufiq Hasan},
journal= {arXiv preprint arXiv:2512.11057},
year = {2025}
}
备注
18 pages, 9 figures, 4 tables