文章摘要:在医学图像分割领域，Unet是目前被使用最为广泛的分割模型，其“编码-解码”结构也成为了构建医学图像分割模型最常用的结构，尽管Unet在许多领域实现了非常高的分割准确度，但是在运算效率上存在着模型计算复杂度高、推理速度慢、运行消耗内存大等问题，这些问题导致其难以在移动应用平台部署。为了解决这一问题，提出了一种结合多层特征及空间信息蒸馏的医学影像分割方法（TinyUnet）。该方法使用参数量很小的Unet作为学生网络，相较于原Unet模型更小更轻。考虑到小模型没有足够的学习能力，该方法通过选择合适的蒸馏位置，对多层教师特征图进行蒸馏，使得学生网络能够获取更有效的特征；同时该方法加强教师网络的深层特征图的边缘，并构建边缘关键点图结构，采用图卷积网络对学生网络进行空间信息蒸馏，从而引导学生网络获取更多有效的边缘信息和空间信息。TinyUnet在口腔全景片数据集，公开的NIH胰腺分割数据集和EM细胞分割数据集上进行了有效性的测试。实验表明，在三个数据集上TinyUnet能够达到Unet 98.3%到99.7%的分割准确度，但是将Unet的参数量平均降低了99.6%，运算速度提高了约110倍。同时，跟其他先进的小巧医学图像分割模型相比，TinyUnet不仅具有较高的分割准确度，而且占用内存更少，运行速度更快。所提出的医学图像分割模型，采用了多层特征蒸馏以及空间信息蒸馏的机制，获得了轻量化高性能的医学图像分割模型。

文章关键词:

项目基金:《黑龙江医学》 网址: http://www.hljyxzzs.cn/qikandaodu/2021/1029/2023.html