基于原型引导语义可迁移性的脑肿瘤MRI分类知识蒸馏框架

《Scientific Reports》：Prototype-guided semantic transferability for reliable knowledge distillation in brain tumor MRI classification

　　

摘要

基于磁共振成像 (MRI) 的脑肿瘤分类仍然面临挑战，原因在于类间差异细微、成像变异性大以及模型预测存在不确定性。尽管深度学习模型性能强劲，但其复杂性限制了在资源受限环境中的部署，这使得知识蒸馏成为将知识迁移至轻量级学生模型的实用方法。然而，传统蒸馏方法通常假设教师可靠性一致，且往往忽略语义结构和预测可靠性。为了解决这一局限性，我们提出了一种原型引导的语义可迁移性框架，该框架基于预测置信度以及嵌入空间中与类原型的对齐程度，选择性地转移知识。该方法引入了原型记忆以捕捉类级结构，并制定了可迁移性分数以自适应地加权蒸馏过程。实验表明，该方法在分类性能、校准、鲁棒性及跨数据集泛化方面均展现出持续改进，同时保持了学生模型的效率。消融实验、统计分析以及特征空间可视化进一步证实了所提组件的有效性。总体而言，该框架旨在通过融入语义结构和不确定性来增强知识蒸馏，从而在无需额外推理开销的情况下，获得更可靠且具有区分度的表示。