猫，而非CAT扫描：二维医学图像分类迁移学习中数据集相似性研究
计算机视觉与模式识别
2021-07-14 v1
摘要
迁移学习是医学图像分类常用策略，尤其通过源数据预训练与目标数据微调实现。目前关于如何选取合适源数据尚无共识，文献中既有支持偏好ImageNet等大型自然图像数据集的证据，也有支持偏好更专门医学数据集的证据。本文利用九个自然或医学图像源数据集与三个二维图像目标医学数据集进行系统研究。我们发现ImageNet是带来最高性能的源，但较大数据集未必更优。我们还研究了数据相似性的不同定义。表明关于相似性的常见直觉可能不准确，因而不足以先验预测合适源。最后，我们讨论了该领域进一步研究所需的若干步骤，尤其针对其他类型（例如3D）医学图像。我们的实验与预训练模型可通过\url{https://www.github.com/vcheplygina/cats-scans}获取。
引用
@article{arxiv.2107.05940,
title = {Cats, not CAT scans: a study of dataset similarity in transfer learning for 2D medical image classification},
author = {Irma van den Brandt and Floris Fok and Bas Mulders and Joaquin Vanschoren and Veronika Cheplygina},
journal= {arXiv preprint arXiv:2107.05940},
year = {2021}
}