基于知识蒸馏改进U-Net网络模型用于分割CT图像中的口腔颌面部肿瘤

目的 观察基于知识蒸馏改进U-Net网络模型用于分割CT图像中的口腔颌面部肿瘤的价值。方法 收集2个医疗中心121例口腔颌面部肿瘤患者共609幅CT图像;于公开数据集HECKTOR2020搜集254例口腔颌面部肿瘤患者共1 977幅CT图像。向U-Net网络模型中引入多尺度和注意力机制,加入残差网络,建立改进U-Net模型;采用知识蒸馏技术生成学生模型,观察模型分割CT图像中的口腔颌面部肿瘤的效能。结果 改进U-Net模型大小为89.30 MB,参数数量为17.82 M,计算量为22.13 GFlops;其分割CT所示口腔颌面部肿瘤的精确率(Precision)、召回率(Recall)、戴斯相似系数和交并比分别为0.835、0.787、0.812及0.761,优于既往结合常规损失函数(Dice Loss function)所获模型及未改进模型;且除Precision之外,学生模型与教师模型差异较小。结论 基于知识蒸馏改进U-Net网络模型用于分割CT图像中的口腔颌面部肿瘤具有较高价值。