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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».