通用 vs 领域特定CNN：理解预训练对脑MRI肿瘤分类的影响
神经元与认知
2025-11-25 v1 机器学习
摘要
从磁尤定性成像（MRI）准确识别脑肿瘤对于及时诊断和有效的治疗干预至关重要。虽然深度卷积神经网络（CNN），特别是那些预训练于广泛数据集的网络，在医学图像分析中显示出巨大的潜力，但一个关键问题在于数据有限时：预训练于专门医学图像存储库的模型是否优于预训练于多样化、通用领域数据集的模型？本研究present了对三种不同预训练CNN架构进行的比较分析，用于脑肿瘤分类：RadImageNet DenseNet121，该模型利用医学领域数据的预训练，另外两种是现代通用-purpose网络，EfficientNetV2S和ConvNeXt-Tiny。所有模型都在统一的实验条件下进行训练和微调，使用一个适度大小的脑MRI数据集以保持评估的一致性。实验结果表明，ConvNeXt-Tiny实现了最佳性能，达到93%的测试准确率，其后是EfficientNetV2S达到85%。相比，RadImageNet DenseNet121仅达到68%的准确率，并表现出更高的损失，表明其尽管具有领域特定的预训练，但泛化能力有限。这些观察表明，医学领域数据的预训练并不一定能在数据稀缺场景中保证卓越的性能。相反，具有更深层次结构且预训练于大规模多样化数据集的现代通用CNN可能在医学影像中为特定诊断任务提供更有效的迁移学习。
引用
@article{arxiv.2511.18325,
title = {Brain-MGF: Multimodal Graph Fusion Network for EEG-fMRI Brain Connectivity Analysis Under Psilocybin},
author = {Sin-Yee Yap and Fuad Noman and Junn Yong Loo and Devon Stoliker and Moein Khajehnejad and Raphaël C. -W. Phan and David L. Dowe and Adeel Razi and Chee-Ming Ting},
journal= {arXiv preprint arXiv:2511.18325},
year = {2025}
}
备注
5 pages