脑肿瘤自动分割技术在医学图像分析中具有重要的临床和研究意义。首先，自动分割能够帮助医生快速、准确地识别和定位脑肿瘤，从而辅助制定个性化治疗方案。准确的肿瘤边界划分有助于放射治疗中的剂量计划，提高治疗的精确度，最大程度地保护周围健康组织，减少患者的副作用。其次，自动分割技术大大提高了诊断效率和一致性。传统的手动分割不仅耗时费力，而且依赖于医生的经验和技术水平，容易出现主观偏差。自动化工具可以标准化这一过程，确保每次诊断的一致性和准确性，减少人为操作带来的误差。此外，脑肿瘤的自动分割在大规模数据分析和研究中也起着重要作用。通过自动分割大量的影像数据，研究人员可以更快地提取出感兴趣的区域进行进一步分析，如肿瘤生长模式、病变特征的定量分析等。这些分析有助于更深入地理解肿瘤的生物学特性，探索新的治疗靶点和策略。

近日，太阳成集团tyc97282021级研究生安典龙在人工智能领域顶级期刊Pattern Recognition (IF=7.5) 发表了题为“Dynamic Weighted Knowledge Distillation for Brain Tumor Segmentation”的高水平论文，报道了压缩脑肿瘤模型的算法——DWKD。该算法在压缩脑肿瘤模型上表现出非常优秀的性能。

研究引入一种基于知识蒸馏的脑肿瘤分割框架。该框架通过从一个成熟的脑肿瘤分割网络中提取知识来训练一个轻量级网络。首先，该框架用提出的动态加权知识蒸馏 (DWKD) 替代了传统的静态知识蒸馏 (SKD)。DWKD根据学生网络的学习状态动态调整每个像素的蒸馏损失权重。其次，为了增强学生网络的泛化能力，本文为DWKD定制了一种损失函数，称为正则化交叉熵 (RCE)。RCE在模型中引入了可控的噪声，提高了其鲁棒性并减少过拟合的风险，这种可控的噪声注入有助于强化模型的鲁棒性。

文章链接：https://doi.org/10.1016/j.patcog.2024.110731

安典龙，太阳成集团tyc9728软件工程211班研究生，在校期间获得全国大学生市场分析调查大赛三等奖、二等奖学金、省级优秀毕业生等多个奖项。在校期间发表SCI一区论文两篇，SCI二区论文一篇。自研究生入学起进入于彬教授领导的人工智能与生物医学大数据研究团队，学习深度学习、图像分割的有关理论与方法，并开展关于脑肿瘤图像分割的研究工作。

《Pattern Recognition》是一本由爱思唯尔 (ELSEVIER) 出版商出版的专业计算机科学期刊，该刊已被国际权威数据库SCI、SCIE收录。在中科院最新升级版分区表中，该刊分区信息为大类学科：计算机科学1区，小类学科：计算机：人工智能 1区；工程：电子与电气 1区；在JCR（Journal Citation Reports）分区等级为Q1。