微调 U-Net 用于超声图像分割：哪些层？
图像与视频处理
2020-02-21 v1 计算机视觉与模式识别
机器学习
摘要
在医学应用中，为克服数据稀缺且昂贵的问题，对已在大型数据集上训练的网络进行微调是完整训练的一种替代方案。虽然网络浅层通常保持不变，深层则依据新数据集进行修改。由于超声图像外观截然不同，该方法可能不适用于超声图像。在本研究中，我们探究了微调在自然图像分割上训练的 U-Net 的不同层在乳腺超声图像分割中的效果。与固定收缩路径而微调扩展路径相比，微调收缩路径并固定扩展路径取得了明显更优的结果。此外，我们表明从浅层开始逐步纳入更多层来微调 U-Net，比从深层向浅层回溯微调网络性能更好。我们在 X 射线图像分割上未观察到相同结果，其与超声具有不同的显著特征，因此可能更适宜微调浅层而非深层。浅层学习低级特征（包括散斑模式，可能还有噪声与伪影特性），其在该模态的自动分割中至关重要。
引用
@article{arxiv.2002.08438,
title = {Fine tuning U-Net for ultrasound image segmentation: which layers?},
author = {Mina Amiri and Rupert Brooks and Hassan Rivaz},
journal= {arXiv preprint arXiv:2002.08438},
year = {2020}
}