近日，数据科学学院于彬教授团队在医学图像研究领域取得重要进展，相关成果以“Dynamic weighted knowledge distillation for brain tumor segmentation”为题发表在人工智能领域的顶级期刊Pattern Recognition(中科院一区TOP期刊，影响因子7.5)。于彬教授为论文的唯一通讯作者，2021级研究生安典龙为第一作者，青岛科技大学为第一完成单位。

脑肿瘤自动分割技术在医学图像分析中具有重要的临床和研究意义。首先，自动分割能够帮助医生快速、准确地识别和定位脑肿瘤，从而辅助制定个性化治疗方案。准确的肿瘤边界划分有助于放射治疗中的剂量计划，提高治疗的精确度，最大程度地保护周围健康组织，减少患者的副作用。其次，自动分割技术大大提高了诊断效率和一致性。传统的手动分割不仅耗时费力，而且依赖于医生的经验和技术水平，容易出现主观偏差。自动化工具可以标准化这一过程，确保每次诊断的一致性和准确性，减少人为操作带来的误差。此外，脑肿瘤的自动分割在大规模数据分析和研究中也起着重要作用。通过自动分割大量的影像数据，研究人员可以更快地提取出感兴趣的区域进行进一步分析，如肿瘤生长模式、病变特征的定量分析等。这些分析有助于更深入地理解肿瘤的生物学特性，探索新的治疗靶点和策略。

本研究提出一种新颖的基于动态加权知识蒸馏的脑肿瘤分割框架。该框架通过从一个成熟的脑肿瘤分割网络中提取知识来训练一个轻量级网络。首先，采用提出的动态加权知识蒸馏(DWKD)替代了传统的静态知识蒸馏(SKD)。DWKD根据学生网络的学习状态动态调整每个像素的蒸馏损失权重。其次，为了增强学生网络的泛化能力，本文为DWKD定制一种损失函数，称为正则化交叉熵(RCE)。RCE在模型中引入可控的噪声，提高其鲁棒性并减少过拟合的风险。最后，为验证提出的新算法，本文分别采用Attention U-Net和Residual U-Net两种不同的模型作为骨干网络，并在BraTS 2019、BraTS 2020和BraTS 2021数据集上进行实验。实验结果表明，DWKD相比于SKD在提升学生网络的分割性能方面表现出显著优势，并且当训练集数量有限时，RCE方法可以进一步提高学生网络的分割性能。此外，本文通过统计网络解剖识别的概念检测器的数量，以定量分析DWKD对模型可解释的影响，并发现相比与SKD，DWKD能够更有效的提升模型的可解释性。

文章链接：https://doi.org/10.1016/j.patcog.2024.110731

以上研究得到了国家自然科学基金面上项目(62172248)和山东省自然科学基金面上项目(ZR2021MF098)的资助。