In der kardialen Magnetresonanztomographie (MRT) bleibt die Erreichung eines Gleichgewichts zwischen hochgradiger semantischer Repräsentation und Echtzeiteinference eine grundlegende Herausforderung. Während Vision Transformers (ViTs) globale Abhängigkeiten effektiv erfassen, begrenzt deren rechnerischer Aufwand die klinische Anwendung. Im Gegensatz dazu bieten Convolutional Neural Networks (CNNs) Effizienz, versäumen jedoch häufig die Modellierung globaler Herzstrukturen. Diese Studie schlägt ein optimiertes hybrides Knowledge Distillation-Rahmenwerk vor, das reichhaltige semantische Darstellungen von einem rechenintensiven Lehrer-Modell auf ein leichtgewichtiges Schülernetz übertragen, was eine genaue und effiziente Herz-MRT-Klassifikation ermöglicht, die für klinische Umgebungen geeignet ist. Eine Dual-Branch-Lehrerarchitektur wurde entworfen, indem ein EfficientNetB0-Rückgrat mit einem angepassten Multi-Head Self-Attention-Modul kombiniert wurde, um lokale Gewebeeigenschaften und globalen strukturellen Kontext gemeinsam zu erfassen. Die Knowledge Distillation wurde unter Verwendung einer hybriden Verlustfunktion durchgeführt, die mit Label-Smoothing verstärkt wurde, um Überkonfidenz zu mildern, und Kosinussenkungen restarts wurde zur Verbesserung der Optimierungsdynamik im Schüler-Modell angewendet. Mithilfe von 5-facher Kreuzvalidierung erreichte das destillierte Schüler-Modell eine durchschnittliche Klassifikationsgenauigkeit von 86,84% ± 1,12% und eine Sensitivität von 86,46% ± 0,95%. Die geringe Varianz über die Falten hinweg weist auf Robustheit gegenüber Datenheterogenität hin. Im Vergleich zu einem Basis-ViT-Modell lieferte das vorgeschlagene Rahmenwerk eine vergleichbare diagnostische Leistung bei gleichzeitiger Verbesserung der rechnerischen Effizienz um das 3,01-fache, was Echtzeiteinference auf Standard-Medizinhardware ermöglicht. Das vorgeschlagene Rahmenwerk überbrückt effektiv die Kluft zwischen semantischer Fülle und Inferenzeffizienz in der Herz-MRT-Analyse und bietet eine praktische und einsetzbare Lösung für intelligent basierte klinische Entscheidungsunterstützungssysteme. Optimiertes hybrides Destillationsrahmenwerk für Herz-MRT • Behandelt den Kompromiss zwischen semantischer Repräsentation und Inferenzeffizienz in der Herz-MRT • Führt einen hybriden CNN-Attention-Lehrer für effektive Knowledge Distillation ein • Verbessert die Verallgemeinerung des Schüler-Modells durch Label-Smoothing und Kosinussenkungen reboots • Erreicht stabile Leistung mit geringer Varianz über Kreuzvalidierungsfalten hinweg • Ermöglicht die Echtzeitzusammenfassung der Herz-MRT auf Standardklini
Abdollahi et al. (Sun,) haben diese Frage untersucht.