通过医学影像与患者人口统计学数据融合增强迁移学习
图像与视频处理
2021-11-30 v1 计算机视觉与模式识别
机器学习
摘要
本工作中，我们考察了当图像特征与相关的非图像数据结合时，医学影像数据分类性能的增强情况。我们比较了八种最先进深度神经网络在仅使用图像特征进行分类任务时，与这些特征结合患者元数据时的性能。我们利用在ImageNet上预训练的网络作为特征提取器直接在目标域上使用并微调，进行迁移学习。我们的实验表明，加入元数据可显著增强性能，并使用可解释性方法辨识导致这些增强的特征。此外，我们的结果表明，自然医学影像（如光学图像）的性能增强最受预训练模型直接使用的裨益，而非自然图像（如非影像数据的表示）最受微调预训练网络的裨益。这些增强在计算时间上的额外开销可忽略不计，因此是其他应用的实用方法。
引用
@article{arxiv.2111.14388,
title = {Enhanced Transfer Learning Through Medical Imaging and Patient Demographic Data Fusion},
author = {Spencer A. Thomas},
journal= {arXiv preprint arXiv:2111.14388},
year = {2021}
}