医学图像分类迁移学习中细化策略的比较
计算机视觉与模式识别
2024-06-17 v1 机器学习
摘要
在医学影像和机器学习领域，一个最迫切的挑战是有效地将预训练模型适应到专业医学领域。尽管存在先进的预训练模型，但其直接应用于医学影像这一高度专业且多样化的领域时，往往难以满足医学数据独特特征的需求。本文提供了对various细化方法在医学影像领域广泛应用下性能的全面分析，包括X光、MRI、组织学、皮肤病学和内镜手术。我们评估了八种细化策略，包括标准技术如细化所有层或仅细化分类器层，以及逐步解冻层、基于正则化的细化和自适应学习率等方法。我们选取了三种成熟的CNN架构（ResNet-50、DenseNet-121和VGG-19）以覆盖不同的学习和特征提取场景。尽管结果表明这些细化方法的有效性在架构和医学影像类型之间存在显著差异，但将线性探针与完全细化相结合的策略在超过50%的评估案例中显现出显著的改进，显示其在医学领域具有广泛的有效性。此外，Auto-RGN这种动态调整学习率的方法，在特定模态上实现了最高达11%的性能提升。此外，DenseNet架构相对于传统的完全细化显示出更为显著的细化方法优势。本工作不仅为优化医学图像分析中的预训练模型提供了宝贵见解，也为未来研究更先进的架构和细化方法指明了潜在方向。
引用
@article{arxiv.2406.10050,
title = {Comparison of fine-tuning strategies for transfer learning in medical image classification},
author = {Ana Davila and Jacinto Colan and Yasuhisa Hasegawa},
journal= {arXiv preprint arXiv:2406.10050},
year = {2024}
}
备注
Accepted at Image and Vision Computing