27、医学影像中的智能检测技术：Learnable Cross - modal Knowledge Distillation与EchoGLAD

医学影像中的智能检测技术：Learnable Cross - modal Knowledge Distillation与EchoGLAD

在医学影像处理领域，精准的检测和分割技术对于疾病的诊断和治疗至关重要。本文将介绍两种前沿的技术方法，Learnable Cross - modal Knowledge Distillation（LCKD）和EchoGLAD，分别用于处理脑部肿瘤图像分割和左心室地标检测问题。

Learnable Cross - modal Knowledge Distillation（LCKD）

LCKD是一种创新的方法，旨在解决训练和测试过程中模态缺失的问题。它通过从自动选择的重要模态中提取知识，用于训练其他模态，从而实现多模态数据的有效利用。

• α和CKD损失函数的作用 ：在仅使用T1输入且对ℓckd(.)采用L1损失的情况下，将式7中的α设置为{0, 0.1, 0.5, 1}。实验发现，当α = 0时，模型性能大幅下降；而当α > 0时，结果有所改善，其中α = 0.1产生了最佳结果，这显示了式7中跨模态知识蒸馏损失的重要性。此外，研究了不同CKD损失的影响，当对ℓckd(.)采用L2损失（α = 0.1）时，与L1损失相比，Dice分数略有下降，尤其是对于TC和WT肿瘤。
• 实验结论 ：在BraTS2018数据集上的实验表明，LCKD在缺失模态分割问题上达到了当前的先进性能。该方法具有使用多模态数据进行训练和处理缺失模态数据进行测试的潜力，但在每个任务的贪婪教师选择方面还有待改进。未来计划将此问题转化为元学习策略，通过优化每个模态的权重参数