计算机应用

作者：魏淳武, 赵涓涓, 唐笑先, 强彦

单位：1. 太原理工大学 信息与计算机学院, 山西 晋中 030600;2. 山西省人民医院 影像科, 太原 030012

关键词：医学图像,随访指导,知识蒸馏,元学习,知识迁移

基金：国家自然科学基金面上项目（61872261）；中国博士后科学基金资助项目（2018M631774）。

随着医学上对随访工作的不断重视，通过医学图像分析的方法获取随访指导的相关信息变得越来越重要；然而，在深度学习领域，大多数方法不适用于处理此类任务。为了解决这个问题，提出了一种多时期知识蒸馏（MKD）模型。首先，借助知识蒸馏在模型迁移方向上的优势，将带有长时期随访信息的分类任务转换为基于领域知识的模型迁移任务；然后，充分利用长时期医学图像中所包含的随访知识，来完成长时期的肺结节分类。同时，针对随访过程收集到的数据每一年相对不平衡的问题，提出了一种基于元学习思想的正则化方法，且该方法能够有效地在半监督模式下提高模型的训练精度。在NLST数据集上的实验结果表明，所提出的MKD模型在长时期肺结节分类任务下较GoogleNet等深度学习分类模型的分类精度更优越。在不平衡数据量达到800例时，利用元学习方法改进后的MKD模型相较于现有先进模型最高可以提升7个百分点的精度。

来源：2021年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第10期