喉部血管分类的两步异构迁移学习分析：问题与改进
计算机视觉与模式识别
2025-01-17 v3
摘要
准确地将喉部血管分类为良性或恶性对于喉癌的早期检测至关重要。然而，难以获取喉部血管图像的机构面临着挑战，因为缺乏大型且同质的公共数据集以进行有效学习。与大多数直接将 ImageNet 预训练模型迁移到目标域进行微调的熟悉工作不同，本研究开创性地探索了用于喉部病变分类的两步异构迁移学习（THTL），利用了九种深度学习模型，并使用糖尿病视网膜病变彩色眼底图像作为中间域，这些图像在语义上虽不相同但均为血管图像。注意力可视化技术 Layer Class Activate Map (LayerCAM) 揭示了一个新发现：尽管中间域和目标域都在一定程度上反映了血管结构，但中间域中普遍的径向血管模式阻碍了对目标域中区分恶性类的扭曲和缠绕血管特征的学习，这总结了使用 THTL 进行喉部病变分类的一条重要规则。为解决这一问题，我们在 THTL 中引入了一种增强的微调策略，称为逐步微调（SWFT），并将其应用于 ResNet 模型。SWFT 在 LayerCAM 可视化结果的指导下，通过从后向前累积微调层来逐步优化模型性能。与原始 THTL 方法相比，结果显示了显著改进。对于 ResNet18，准确率和恶性召回率分别提高了 26.1% 和 79.8%；而对于 ResNet50，这些指标分别提高了 20.4% 和 62.2%。
引用
@article{arxiv.2402.19001,
title = {Analysis of the Two-Step Heterogeneous Transfer Learning for Laryngeal Blood Vessel Classification: Issue and Improvement},
author = {Xinyi Fang and Xu Yang and Chak Fong Chong and Kei Long Wong and Yapeng Wang and Tiankui Zhang and Sio-Kei Im},
journal= {arXiv preprint arXiv:2402.19001},
year = {2025}
}