基于噪声的师生知识蒸馏方法：用于提高乳腺X线摄影中的高效肿块检测能力

《IEEE Access》：Noisy Teacher-Student Knowledge Distillation for Efficient Mass Detection in Mammography

　　

摘要：

乳腺癌筛查在降低乳腺癌死亡率方面发挥着至关重要的作用。然而，在农村地区，这一过程并不总是能够得到保障。近年来，基于深度学习的计算机辅助诊断（CAD）系统用于乳腺癌检测的研究一直在发展，但由于标注数据集的限制，开发这些系统仍然面临挑战。为了解决这一不足，我们提出了“侧向辅助增强”（Lateral Auxiliary Augmentation, LAA）方法，该方法将正常图像与含有肿瘤的图像结合在一起，使模型能够同时从两个不同的领域学习特征。随后，我们应用了“噪声教师-学生知识蒸馏”（noisy teacher–student knowledge distillation）技术，利用大型教师模型的知识来训练轻量级的学生模型。最佳的学生模型在CBIS-DDSM测试集和独立的INBreast数据集上的AP:50得分分别为0.641和0.826。此外，在INBreast数据集上，该模型的实际阳性率（TPR）达到了0.93，同时每张图像的假阳性率（FPI）为0.32。这些结果表明，所提出的蒸馏框架能够训练出在肿瘤检测方面表现优异的轻量级模型。这种轻量级模型可以在成本较低的计算设备上运行，从而在没有强大计算设备的地区实现准确的乳腺X光筛查。