基于ImageNet的迁移学习在医学图像分析中的范围综述
图像与视频处理
2020-12-15 v5 计算机视觉与模式识别
机器学习
摘要
目的：近年来，采用在非负医学ImageNet数据集上充分训练的卷积神经网络(CNNs)进行迁移学习(TL)，在医学图像分析中展现出有前景的结果。我们旨在开展一项范围综述，以识别这些研究并从问题描述、输入、方法与结果方面总结其特征。材料与方法：为确定相关研究，检索了MEDLINE、IEEE和ACM数字图书馆。两名研究者独立审阅文章，依据预先定义的研究方案确定合格性并提取数据。结果：在筛选8,421篇文章后，102篇符合纳入标准。在22个解剖区域中，眼(18%)、乳腺(14%)和脑(12%)为最常见研究对象。72%的微调TL研究进行了数据增强，而特征提取TL研究中这一比例为15%。Inception模型在乳腺相关研究中最为常用(50%)，而VGGNet在眼(44%)、皮肤(50%)和牙齿(57%)研究中常见。AlexNet用于脑(42%)，DenseNet用于肺研究(38%)为最常用模型。Inception模型在分析超声(55%)、内镜(57%)和骨骼系统X射线(57%)的研究中最常用。VGGNet在眼底(42%)和光学相干断层扫描图像(50%)中最常见。AlexNet是脑MRI(36%)和乳腺X射线(50%)的最常用模型。35%的研究将其模型与其他充分训练的CNN模型比较，33%提供了可视化用于解释。讨论：本研究确定了文献中用于医学图像分析的数据准备、方法选择和输出评估的最普遍实施路径。此外，我们识别了医学图像分析TL研究中存在的若干关键研究空白。
引用
@article{arxiv.2004.13175,
title = {A scoping review of transfer learning research on medical image analysis using ImageNet},
author = {Mohammad Amin Morid and Alireza Borjali and Guilherme Del Fiol},
journal= {arXiv preprint arXiv:2004.13175},
year = {2020}
}