MedNet：用于医学影像任务的预训练卷积神经网络模型
计算机视觉与模式识别
2021-10-14 v1 机器学习
摘要
深度学习（DL）需要大量训练数据以提供优质结果。然而，医学影像领域苦于缺乏充足数据以恰当训练 DL 模型，因为医学图像需临床专家手动标注，该过程耗时、昂贵且易错。近来，迁移学习（TL）被引入，通过迁移先前任务所获得的知识，再用相对小数据集微调结果，从而减少标注流程的需求。如今，诸多医学影像分类方法利用来自通用预训练模型（如 ImageNet）的 TL，但已被证明效果不佳，因为从自然图像（ImageNet）学到的特征与医学图像（尤其是 X 光等医学灰度图像）更特定的特征间存在错配。ImageNet 不含 MRI、CT 与 X 光等灰度图像。本文提出一种新颖 DL 模型用于应对医学影像分类任务，称为 MedNet。为此，我们旨在发布两个版本 MedNet。其一是 Gray-MedNet，将在 300 万张公开可用灰度医学图像（含 MRI、CT、X 光、超声与 PET）上训练。其二是 Color-MedNet，将在 300 万张公开可用彩色医学图像（含组织病理学、拍摄图像等许多其他）上训练。为验证 MedNet 有效性，两版本将在更精简的医学图像目标任务上微调训练。MedNet 作为预训练模型处理医学影像中任意真实世界应用，并达到应对医学影像任务（如分类）所需的泛化水平。MedNet 将作为基线服务于研究界以助未来研究。
引用
@article{arxiv.2110.06512,
title = {MedNet: Pre-trained Convolutional Neural Network Model for the Medical Imaging Tasks},
author = {Laith Alzubaidi and J. Santamaría and Mohamed Manoufali and Beadaa Mohammed and Mohammed A. Fadhel and Jinglan Zhang and Ali H. Al-Timemy and Omran Al-Shamma and Ye Duan},
journal= {arXiv preprint arXiv:2110.06512},
year = {2021}
}
备注
6 Pages