预训练深度卷积神经网络对跨成像模态的多样化医学影像数据集在疾病分类中的影响

诸如胸部 X 射线、全切片图像和光学相干断层扫描等成像技术，分别作为多种医学肺部和眼科疾病的初步筛查和检测手段。本文研究了在跨不同模态的多样化医学影像数据集中，利用迁移学习的预训练深度卷积神经网络进行二分类和多分类的复杂性。我们对十种网络架构和模型族进行了全面的性能分析，每种均包含预训练和随机初始化。我们的发现表明，将预训练模型作为固定特征提取器会导致较差的性能，且与数据集无关。相反，组织病理学显微镜全切片图像具有更好的性能。研究还发现，更深、更复杂的架构并不一定能带来最佳性能。这一观察结果表明，ImageNet 上的性能提升与医学影像任务并不平行。在医学领域内，随着数据集的转换，网络架构的性能在模型族内部存在差异。这表明，特定模态下模型的性能对于同一领域内的另一种模态可能并不具有决定性。本研究提供了对深度学习技术在医学影像中应用的更深入理解，并突出了在五种不同实验设置下预训练网络在不同医学影像数据集上的影响。