Nov, 2023

我需要多少数据？一项有关医疗数据的案例研究

PDF
TL;DR数据采集和深度学习网络训练消耗巨大的工作量和资源，在医疗领域尤为明显，需要侵入性的医疗程序或可能导致医学危害的过程，然而深度学习被视为数据需求量大的方法。在本研究中，我们评估了六个医疗数据集和六个通用数据集，训练 ResNet18 网络在这些数据集的不同子集上以评估 “更多数据得到更好的结果” 的观点，然后我们以十一个数据集作为转移学习的源数据，用在第十二个数据集（Chest 数据集）的不同子集上，以判断转移学习是否普遍有益。我们进一步探究多阶段转移学习是否能提供一致的益处。我们的分析表明，真实情况比这些简单的观点更复杂 —— 更多数据可能导致收益递减，选择错误的数据集进行转移学习可能会导致性能下降，而与 Chest 数据集高度相似的数据集相比，与之不太相似的数据集可能得到更差的结果。多阶段转移学习也揭示了数据集之间复杂的关系。
deep learningmedical contextdatatransfer learningdatasets
发现论文，激发创造
  • 基于目标的迁移学习改善小型医学物理数据集的性能

    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

  • 数据，深度和设计：用于皮肤病变分析的可靠模型学习

    该研究利用两个全因子实验，分析了深度学习模型在皮肤病变分析中的设计和评估方法，结果表明训练数据量、测试数据增强和输入分辨率对模型性能影响最大，而集成模型是一种成本效益高且可靠的替代方法。同时指出，推动皮肤病变分析研究需要积累更大的公共数据集，并要避免使用测试集中的特权信息。

    Nov, 2017

  • 当多得更少：引入额外数据集可能会通过引入虚假关联降低性能

    在大规模实证研究中，结合四个不同的开源胸部 X 光数据集和九个不同标签的组合的情况下，通过数据来自两家医院进行训练的模型在两个医院的最差组精度方面甚至比仅使用单家医院的数据进行训练的模型更差。这种出人意料的结果是由于医院特定的图像伪相关性造成的，同时说明了训练多个数据集的权衡，即额外数据的明显好处和引入伪相关性的隐蔽成本。这些风险凸显了在未来的研究和实践中对于仔细的数据选择和模型评估的需求。

    Aug, 2023

  • 深度迁移学习在医学影像中的机制

    本研究系统研究了将在 ImageNet 数据上训练的卷积神经网络 (CNN) 在超声图像肾脏检测问题上进行转移学习的过程，并表明通过转移学习可以获得更好的性能。

    Apr, 2017

  • 从稀疏标注的 3D 医学图像数据集进行迁移学习

    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

  • 训练医学影像深度学习系统所需数据量达到高准确度需要多少？

    本文旨在研究最佳培训数据集的大小，以实现医学图像分类系统中高分类精度和低方差。 通过使用学习曲线方法来预测在给定的培训样本大小下的分类精度，我们提出了确定达到特定目标分类精度所需培训数据集大小的通用方法，可轻松应用于此类系统中的其他问题。

    Nov, 2015

  • 迁移学习在医学图像中的工作原理：特征复用及其它因素

    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

  • 基于迁移学习的小数据集糖尿病视网膜病变检测

    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

  • 医学影像迁移学习解析

    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

  • 深度神经网络的可移植性改进

    通过实验在 ImageNet22k 和 Oxford Flowers 数据集上，探究神经网络层的学习率、数据集的图片与标签参数对转移学习的影响，优化神经网络的学习效率，实现图像分类任务的高准确度。

    Jul, 2018