本研究提出了一种基于深度学习的肾脏异常分割方法，能够准确识别和量化肾脏囊肿、肿瘤等病变。通过训练215例CT扫描，模型在分割性能上超越人眼观察者，显示出计算机化方法的潜力。此外，研究开发的新型反事实修复方法提升了肾脏肿瘤的分割精度，多个实验中取得了优异的Dice系数，证明了模型的有效性和效率。

研究者提出了分层选择性反馈蒸馏（HLFD）方法，用于医学成像任务中的知识蒸馏。通过从中间层到较早层的蒸馏，以及将最终层的知识转移到中间层，生成稳健且紧凑的学生模型。HLFD方法在肾脏分割任务中优于现有方法，提升了10个百分点以上，并改善了对肿瘤特征的关注。使用HLFD训练的学生模型能够抑制不相关信息，聚焦于肿瘤特定细节，为更高效准确的诊断工具开辟了新路径。