Med3D：面向三维医学图像分析的迁移学习
计算机视觉与模式识别
2019-07-18 v4
摘要
深度学习的性能受训练数据量的显著影响。在如ImageNet等大规模数据集上预训练的模型成为加速训练收敛与提升精度的有力武器。类似地，基于大型数据集的模型对三维医学图像中深度学习的发展至关重要。然而，由于三维医学影像中数据获取与标注的困难，构建足够大的数据集极具挑战。我们聚合多个医学挑战赛的数据集，构建了具有多样模态、目标器官与病理的3DSeg-8数据集。为提取通用医学三维（3D）特征，我们设计了一种称为Med3D的异构三维网络来协同训练多域3DSeg-8，从而得到一系列预训练模型。我们将Med3D预训练模型迁移至LIDC数据集的肺分割、LIDC数据集的肺结节分类以及LiTS挑战赛的肝脏分割。实验表明，与在Kinetics数据集上预训练的模型相比，Med3D可使目标三维医学任务的训练收敛速度加快2倍，与从头训练相比加快10倍，并将精度提升3%至20%不等。在最先进的DenseASPP分割网络上迁移我们的Med3D模型，在单模型情况下，我们取得了94.6%的Dice系数，接近LiTS挑战赛上排名顶尖算法的结果。
引用
@article{arxiv.1904.00625,
title = {Med3D: Transfer Learning for 3D Medical Image Analysis},
author = {Sihong Chen and Kai Ma and Yefeng Zheng},
journal= {arXiv preprint arXiv:1904.00625},
year = {2019}
}