基于 U-Net 的胎儿头部超声图像分割微调策略评估
图像与视频处理
2024-08-02 v2 计算机视觉与模式识别
机器学习
摘要
胎儿头部分割是在妊娠期测量胎儿头围（HC）的关键步骤，而头围是产科中用于监测胎儿生长的重要生物指标。然而，人工生物测量生成耗时且精度不一致。为解决此问题，卷积神经网络（CNN）模型已被用于提高医学生物测量的效率。但从头训练 CNN 网络是一项具有挑战性的任务，我们提出了一种迁移学习（TL）方法。我们的方法涉及使用轻量级 MobileNet 作为编码器对 U-Net 网络进行微调（FT），以较少代价在一组胎儿头部超声（US）图像上执行分割。该方法解决了从头训练 CNN 网络的难题。结果表明，我们提出的 FT 策略在参数数量减少 85.8% 的情况下，取得了与训练时相当的分割性能。并且我们提出的 FT 策略在可训练参数规模低于 440 万时优于其他策略。因此，我们认为它可作为一种可靠的 FT 方法，用于缩减医学图像分析中的模型规模。我们的关键发现凸显了在利用 TL 方法开发人工智能（AI）应用时，模型性能与规模之间平衡的重要性。代码见 https://github.com/13204942/FT_Methods_for_Fetal_Head_Segmentation。
引用
@article{arxiv.2307.09067,
title = {Evaluate Fine-tuning Strategies for Fetal Head Ultrasound Image Segmentation with U-Net},
author = {Fangyijie Wang and Guénolé Silvestre and Kathleen M. Curran},
journal= {arXiv preprint arXiv:2307.09067},
year = {2024}
}
备注
Irish Machine Vision and Image Processing Conference Proceedings 2023