用于医学图像分析的卷积神经网络：完全训练还是微调？
计算机视觉与模式识别
2017-06-05 v1 机器学习
摘要
从头训练一个深度卷积神经网络 (CNN) 十分困难，因为它需要大量标注训练数据和丰富的专业知识来确保正确收敛。一个有前景的替代方案是对已使用（例如）大规模自然图像标注集预训练过的 CNN 进行微调。然而，自然图像与医学图像之间的显著差异可能不赞成这种知识迁移。在本文中，我们试图回答医学图像分析背景下的一个核心问题：使用经过充分微调的预训练深度 CNN 能否消除从头训练深度 CNN 的需求？为解答此问题，我们考虑了涉及分类、检测和分割任务的 3 个专科（放射学、心脏病学和胃肠病学）中来自 3 种不同成像模态的 4 个不同医学成像应用，并研究了从头训练的深度 CNN 与逐层微调的预训练 CNN 的性能对比。我们的实验一致表明：(1) 使用经过充分微调的预训练 CNN，其性能优于或在最坏情况下与从头训练的 CNN 相当；(2) 微调后的 CNN 对训练集大小的鲁棒性比从头训练的 CNN 更强；(3) 浅层微调和深层微调都不是特定应用的最优选择；(4) 我们提出的逐层微调方案可以根据可用数据量，为手头应用达到最佳性能提供一种实用的途径。
引用
@article{arxiv.1706.00712,
title = {Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning?},
author = {Nima Tajbakhsh and Jae Y. Shin and Suryakanth R. Gurudu and R. Todd Hurst and Christopher B. Kendall and Michael B. Gotway and Jianming Liang},
journal= {arXiv preprint arXiv:1706.00712},
year = {2017}
}