When evidence modeling meets knowledge distillation: Towards reliable contrast-enhanced knowledge distillation for non-contrast medical image segmentation
Notice bibliographique
Résumé
Contrast-enhanced knowledge distillation promises to transform medical diagnostics and reveal promising approaches for tumor segmentation on non-contrast medical images. However, existing methods related to contrast-enhanced knowledge distillation still make it hard to distill reliable contrast-enhanced knowledge for tumor segmentation due to the limitations of (1) unable to quantify uncertainty information for reliable contrast-enhanced and non-contrast knowledge modeling, which leads to an over-confidence cross-domain adaptation for transferring contrast-enhanced knowledge; (2) using vision information only ignores rich semantic features in medical language, which make it hard to model complex tumor enhancement feature. In this study, we propose an evidence-guided and tumor-aware knowledge distillation (EGTA-KD) for transferring contrast-enhanced domain knowledge to non-contrast domain knowledge. Specifically, to achieve tumor-awareness by embedding semantic features from text, the tumor-aware cross-modal synchronizer (TACMS) is proposed to calculate tumor score maps for matching pixel wise image and text features. To achieve reliable cross-domain modeling for transferring contrast-enhanced knowledge, the innovative uncertainty-quantified evidence unit (UQEU) parameterizes the probability distribution within subjective logic to gather reliable evidence of contrast-enhanced knowledge while quantifying the uncertainty of prediction. Lastly, newly designed dual-level knowledge distillation (DLKD) minimizes tumor score map errors and matches evidence distribution for uncertainty-aware contrast-enhanced knowledge distillation. Extensive experiments of tumor segmentation on non-contrast medical images are performed using multi-modality medical image datasets (i.e., Brain MRI dataset, Liver MRI dataset, and Kidney CT dataset). Experimental results demonstrate the proposed EGTA-KD outperforms the other compared state-of-the-art methods, revealing its superiority of tumor segmentation on non-contrast medical images via uncertainty-aware contrast-enhanced knowledge distillation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».