深度迁移学习在医学影像中的机制
本文探讨了用自然图像数据集(ImageNet)通过标准大型模型和预训练权重进行迁移学习在深度学习医学成像应用中的方法。然而,此方法在自然图像分类和目标医学任务之间存在根本差异,并且人们对迁移效果的了解甚少。该研究表明,在两项大规模医学成像任务的性能评估中,迁移学习对性能的提升有限,而简单轻量级模型可以与 ImageNet 架构相当。此外,还探讨了迁移的权重尺度的独立特性,并阐述了对更高效的模型探索的意义。
Feb, 2019
本研究评估比较不同的训练神经网络技术,提出为小型数据集提高模型准确度的方法,并发现迁移学习对于重复利用以前学习的特征有重要作用,特别是在医学图像应用中。
Dec, 2019
该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估,并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性,并通过两个计算机辅助检测问题的实验展示了更好的性能。
Feb, 2016
本研究探索了使用迁移学习来提高医学影像中深度卷积神经网络对器官分割的性能,研究结果表明迁移学习可改善标注的效率和提高准确的器官分割,在医学影像领域具有潜在应用价值。
Nov, 2023
通过对几个医学图像基准数据集的一系列实验,我们探讨了迁移学习、数据大小、模型能力和归纳偏差以及源域与目标域之间的距离之间的关系,并发现特征重用在其中扮演着重要的角色。
Mar, 2022
通过研究 Kolesnikov 等人介绍的大规模预训练网络在胸部放射学、乳腺 X 线检查和皮肤科中的转移表现以及其在医学领域中的重要特性,我们发现,将自然图像转移到医学图像中是非常有效的,但只有在足够大的规模下才能实现。
Jan, 2021
研究表明,知识转移对于深度学习 -- 图像分类任务中自动黑色素瘤筛查等任务的表现具有重要影响。而对于医学任务,深度学习对训练数据的渴求提出了挑战,通过从不同任务训练的模型中回收知识的转移学习策略可以缓解此类问题,然而这方面的系统性评估目前尚缺失,因此本文调查了转移的存在性、转移来源的任务以及深度模型的 fine-tuning 并测试了深度不同的模型性能,结果表明使用 fine-tuning 的 ImageNet 上预训练的深层模型可达到较好的性能,为两个皮肤病分类数据集实现了 80.7% 和 84.5% 的 AUC 值。
Mar, 2017
本论文介绍了一种将自然图像上训练的 2D 分类网络的效率转移到 2D、3D 单模态和多模态医学图像分割应用中的高效方法,该方法基于权重转移和维度转移的两个关键原则,实验证明其在多维医学图像分割方面表现出色。
Jul, 2023
本研究对新近的使用 ImageNet 数据集进行卷积神经网络预训练之后在医学图像分析方面应用的文章进行了综述,总结了数据处理、方法选择和结果评估等方面的主要趋势,发现存在一些关键的研究缺口。
Apr, 2020
研究探讨了如何利用预训练的深度卷积神经网络 (Inception-V3) 中的 Inception 模块进行糖尿病视网膜病变检测,以解决深度学习在医学数据分类问题中的标记数据不足的挑战。通过利用 Kaggle 糖尿病视网膜病变分类挑战数据集的子集,作者训练了预训练 Inception-V3 模型,取得了不错的结果。该研究展示了在标记数据不足的情况下如何利用迁移学习来进行医学图像分类中的大规模筛选和准确性问题。
May, 2019