一种基于联合蒸馏的乳腺超声影像肿瘤分割模型

作     者：郭宏江 丁优优 党豪 刘彤彤 宋学坤 张格 姚硕 侯代森 吕宗旺 GUO Hongjiang;DING Youyou;DANG Hao;LIU Tongtong;SONG Xuekun;ZHANG Ge;YAO Shuo;HOU Daisen;LYU Zongwang

作者机构：河南中医药大学信息技术学院郑州450046 郑州市中医药信息智能分析与利用重点实验室郑州450046 河南工业大学复杂性科学研究院郑州450001 

基　　金：2024年陕西省重点研发计划(2024GH-ZDXM-12,2024SF-GJHX-35) 2024年西安市科技计划项目(24KGDW0009) 2025年度河南省高等学校重点科研项目计划(25B520002) 2025年度河南工业大学复杂性科学研究院开放基金(CSKFJJ-2025-13) 

出 版 物：《生物医学工程学杂志》 (Journal of Biomedical Engineering)

年 卷 期：2025年第42卷第1期

页      码：148-155页

摘      要：乳腺肿瘤的精准分割是病变判定的重要前提,现有的分割方法存在参数量大、推理速度慢、内存资源消耗大等问题。针对上述问题,本文在Attention U-Net的基础上提出一种融合双路径联合蒸馏的乳腺癌超声影像轻量化语义分割模型T^(2)KD Attention U-Net。首先,根据良恶性乳腺病灶不同的特征表示和上下文语义信息设计两个教师模型来学习每一类图像的细粒度特征;其次,采用联合蒸馏的方法训练轻量化的学生模型;最后,构造权重损失均衡函数来聚焦小目标的语义特征表示,解决数据前景和背景像素不平衡问题。该模型在Dataset BUSI和Dataset B两个数据集上取得了良好的性能,Dataset BUSI上的准确率、召回率、精确度、Dice系数和mIoU分别为95.26%、86.23%、85.09%、83.59%和77.78%;在Dataset B上分别为97.95%、92.80%、88.33%、88.40%和82.42%,模型的整体性能有显著提升。相比教师模型,学生模型参数量、模型大小和计算复杂度显著降低(2.2×10^(6) vs.106.1×10^(6),8.4 MB vs.414 MB,16.59 GFLOPs vs.205.98 GFLOPs)。总体而言,该模型在保证精度的同时大幅降低了计算量,为临床医学场景的部署提供了新的思路。

主 题 词：乳腺癌超声影像 语义分割 Attention机制 联合蒸馏 U-Net 

学科分类：0831[工学-公安技术类] 100207[100207] 1002[医学-临床医学类] 08[工学] 1010[医学-医学技术类] 080203[080203] 100214[100214] 0802[工学-机械学] 10[医学] 

核心收录：

D　O　I：10.7507/1001-5515.202311054

馆 藏 号：203157364...