现已大规模和大量可用的预训练模型，因此估计模型的迁移能力变得至关重要，本文针对这个问题进行了综述，并将其分为两个领域：无源模型迁移能力估计和有源模型迁移能力估计，提供了相关的分类和指导。

Feb, 2024

通过对比自然图像与医学图像，本论文通过大规模评估了不同图像预训练模型在医学图像分析领域的可迁移性，提出了将自然图像模型迁移到医学图像中的实用方法，并发现新的关键性能：针对医学分割任务 fine-grained 数据预训练模型具有独特的局部特征表示，自我监督的 ImageNet 模型比有监督的 ImageNet 更有效地学习整体特征，连续预训练可以缩小自然图像与医学图像领域之间的跨度，有望引导深度学习在医学图像领域的未来研究。

Aug, 2021

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

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

本文提出了一种基于先验知识和可转移性的框架来选择最好的源任务，在收集到的多个脑图像分割任务中进行选择，以提高给定目标任务的转移学习性能。在脑物质、脑肿瘤和白质高信号异常分割数据集上进行的实验表明，从相同模态下的不同任务转移通常比从不同模态下的同一任务转移更成功。此外，在相同模态下，从具有与目标任务更强的 RoI 形状相似性的源任务转移可以显着提高最终的转移性能，并且可以使用标签空间中的结构相似度指数来捕获这种相似性。

Jan, 2023

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

在这篇论文中，我们对近年来最具代表性的四种医学图像分割模型进行了调查。我们从理论上分析了这些模型的特点，并在两个基准数据集（结核病胸部 X 射线和卵巢肿瘤）上定量评估了它们的性能。最后，我们讨论了医学图像分割领域的主要挑战和未来趋势。我们的工作可以帮助相关领域的研究人员快速建立针对特定区域的医学分割模型。

Aug, 2023

本研究提出使用可计算的传递性度量来预测目标数据集上表现最佳的模型组，从包括 17 个来源数据集、两种不同架构和两种预训练方案在内的大规模源模型池中自动选择模型，在语义分割任务中通过与两个基准模型的比较，实现平均交并比相对提高 6.0% 和 2.5%。

Nov, 2021

通过对三个医学应用进行深入评估，我们的研究表明没有任何可靠和一致的迁移性评分能够准确估计医学环境下的目标性能，这为进一步研究指明了方向。

Aug, 2023

我们提出了一个新的无监督语义转移模型，包括两个互补模块（T_D 和 T_F），针对内窥镜病变分割，其可确定在标记源病变数据集（例如，胃镜）和未标记的目标疾病数据集（例如，肠镜）之间如何和何时探索可转移领域不变知识。

Apr, 2020