面向乳腺病灶分类和ACL撕裂检测的最优卷积迁移学习架构

现代计算机视觉模型已被证明对医学影像分类和分割任务非常有用，但医学影像数据的稀缺常常限制模型从头训练的效果。迁移学习已成为解决这一问题的关键方法，通过在小数据集上微调高性能模型来实现。Mei等人(2022)发现，预训练CNN在大型放射师标记图像数据集(RadImageNet)上可提升下游任务性能，优于ImageNet预训练。本工作扩展了Mei等人的研究，通过系统性调查确定乳腺病灶恶性检测和ACL撕裂检测的最佳CNN架构，并进行统计分析比较RadImageNet和ImageNet预训练对下游模型性能的影响。我们的发现表明，带有skip connection的1维卷积分类器、ResNet50预训练backbone以及部分backbone unfreezing可获得最佳下游医学分类性能。我们的最佳模型在ACL撕裂检测和乳腺肿块恶性检测上分别实现了0.9969和0.9641的AUC值，与Mei等人(2022)报告的结果相当，并优于其他先前工作。我们未发现RadImageNet预训练在ACL撕裂和乳腺病灶分类任务中提供优越下游性能的证据。