基于加权知识蒸馏的全景X光图像上颌窦半监督分割方法

《Scientific Reports》：Weighted knowledge distillation for semi-supervised segmentation of maxillary sinus in panoramic X-ray images

　　

摘要

在全景X光图像中准确分割上颌窦对于牙科诊断和手术规划至关重要；然而，这一任务在牙科影像研究领域仍缺乏足够探讨。二维全景投影存在的结构重叠、模糊的解剖边界，以及缺乏具有可靠像素级标注的大规模临床数据集，都给分割模型的开发与评估带来了挑战。为解决这些问题，我们提出了一种半监督分割框架，该框架能够有效利用有标签和无标签的全景放射图像，通过知识蒸馏技术，利用教师模型提取的可靠结构信息来训练学生模型。具体而言，我们引入了加权知识蒸馏损失函数，以抑制由于教师模型和学生模型预测结果之间的结构差异而产生的不可靠蒸馏信号。此外，为进一步提升教师网络生成的伪标签质量，我们设计了SinusCycle-GAN，这是一种基于非配对图像到图像转换的优化网络。这种优化过程可以提高边界精度，并在半监督训练过程中使用无标签数据时减少噪声传播。为评估所提出的方法，我们收集了2,511名患者的临床全景X光图像，通过Dice系数、召回率、精确度以及第95百分位数Hausdorff距离（HD95）来评估分割性能。实验结果显示，所提方法的Dice得分为96.35%，召回率为97.34%，精确率为95.90%，其HD95值在所有对比模型中最低，性能优于现有的最佳基准方法。这些结果表明，即使在标注数据有限的情况下，该框架也能实现稳定且符合解剖结构的图像分割，从而为牙科诊断和手术规划提供更可靠的解剖学评估依据。