在 X 射线图像关键点检测的迁移学习中域内数据是否有益？

近年来，深度学习已成为医学图像分析中一项极具前景的技术。然而，这一应用领域往往受限于大型公开数据集和标注的匮乏。深度学习中应对这些挑战的常见解决方案是使用迁移学习框架，通常采用微调协议，即利用大规模源数据集预训练模型，然后在目标数据集上进一步微调。在本文中，我们提出了一项系统研究，旨在分析使用小规模域内 X 射线图像数据集是否能在仅基于大型自然图像数据集预训练的模型基础上，为关键点检测带来任何提升。我们重点关注三个数据集的多关键点定位任务，包括胸部、头部和手部 X 射线图像。我们的结果表明，相对于 ImageNet 域外预训练，使用域内源数据集带来的收益微乎其微或没有收益。我们的发现可以为在没有大型标注数据集时开发稳健的医学图像关键点检测系统提供指示。