DCD 在 BraTS 2024 与 ISLES 2022 上把压缩 3D MRI 分割学生模型的 mDice 从 63.60% 提升到 68.51%，参数量从 101.9M 降到 6.4M

提出小波域子带选择策略：把 3D DWT 子带划分为近似带 A={LLL}、极高频带 S={HHH} 与方向性细节带 D={L,H}³\{LLL,HHH}，只蒸馏 D。 此前的频率感知蒸馏多在 2D 自然图像上做全频段或整体频率匹配，本文针对 MRI 频谱统计差异，显式排除最易被噪声主导的 S 带，并保留 A 带不受约束以避免过度正则化全局语义。 消融实验显示，在 BraTS 2024 上蒸馏 S 带得 61.98% mDice，低于不蒸馏的 63.60%，而蒸馏 D 带得 68.50%；ISLES 2022 上 D 带为 73.95%，高于 S 带的 72.12% 与 A 带的 69.54%。作者另给出 Proposition 1，在白噪声与 k 空间能量随频率衰减的假设下说明 S 带子带信噪比通常更低。

提出阶段式蒸馏框架：在每个编码器阶段对教师与学生特征做细节子带投影，并用逆小波重建回空间域后计算 MSE，与分割损失联合优化。 把监督限制在细节内容上，同时让对齐损失与标准特征 MSE 处于同一空间几何，而不是直接作用在依赖实现布局的系数张量上；DWT/IDWT 与 1×1×1 投影仅用于训练。 去掉 IDWT 重建后性能明显下降：BraTS 2024 mDice 从 68.51% 降到 62.87%，HD95 从 6.25 升到 9.01；ISLES 2022 mDice 从 73.95% 降到 70.06%。

在 3D 脑肿瘤与卒中病灶分割基准上验证压缩后的精度—效率权衡。 在 nnU-Net 拓扑下用通道压缩因子 r=4 构建学生模型，DCD 在两个数据集上均优于 CWD、IFVD、Logits、Feature、FreeKD 等蒸馏基线。 BraTS 2024 上 DCD 相对不蒸馏学生提升 +4.91% mDice（配对 t 检验 p=8.64×10⁻¹³，Wilcoxon p=4.40×10⁻¹⁶），相对此前最好的 IFVD（66.54%）提升 +1.97%（p=0.0078 / 0.0080）；ISLES 2022 上达 73.95% mDice，相对不蒸馏学生提升 +3.74%（p=0.0058 / 0.0008）。参数量由教师 101.945M 降至学生 6.381M，FLOPs 由 19.505T 降至 1.277T（BraTS 2024）。

细节敏感区域获益更大：BraTS 2024 上 NETC 子区 mDice 从 41.26% 提升到 54.36%。 说明增益并非均匀分布，而是集中在边界与细小结构相关的子区，与作者关于压缩导致细节表征被抑制的动机一致。 Table 2 报告 NETC 提升 +13.10%，同时 SNFH 为 88.49%、ET 为 62.55%、RC 为 68.62%；定性对比（Fig. 3）显示 DCD 预测更接近标注。

该工作面向需要在受限硬件或高通量场景部署 3D MRI 分割模型的研究者与工程团队：当教师为 nnU-Net 拓扑、学生按通道压缩因子 r=4 构建、且训练时可用教师特征时，DCD 可作为即插即用的训练期蒸馏项，推理阶段不引入额外开销。作者在 BraTS 2024（1,350 例，四种 MRI 模态，四个肿瘤子区）与 ISLES 2022（250 例，三种模态，单一病灶类别）上验证，采用 db4 小波、3 级分解、蒸馏权重 0.05。代码与实现细节已公开于 https://github.com/ClinicaAlpha/DCD-3D-MedSeg。

读者仍会关注：带级选择依赖 Proposition 1 中白噪声与 k 空间能量衰减的简化假设，真实 MRI 噪声与伪影结构更复杂时 S 带是否始终有害；3 级分解与 db4 基、蒸馏权重 0.05 的选择是否对其它数据集与分辨率稳健；压缩因子 r=4 之外的压缩强度下细节带监督是否仍优于全频段匹配；以及当前验证限于脑部 MRI 的两个基准，向其它模态、器官与临床工作流的迁移仍需独立证据。