医学图像分类中的数据迁移性
计算机视觉与模式识别
2024-12-31 v1
摘要
当前为自然图像数据集设计的迁移性估计方法在医学图像分类中常常 suboptimal。这些方法主要关注估计预训练源模型特征为目标数据集提供的适合性，这可能导致不切实际的预测，例如建议目标数据集本身是最佳来源。为此，我们提出了一种新颖的迁移性度量指标，通过结合特征质量与梯度来评估源模型特征对目标任务的适合性与可适应性。我们在两个新情境下评估了该方法：医学图像分类中的源数据集迁移性和跨域迁移性。结果表明，在两种情境下，我们的方法均优于现有的迁移性度量。我们还提供了关于医学图像分类中影响迁移性能因素的洞见，以及从自然图像到医学图像跨域迁移的动态。此外，我们提供了真实的迁移性能基准测试结果，以鼓励进一步研究医学图像分类中的迁移性估计。我们的代码和实验已在 https://github.com/DovileDo/transferability-in-medical-imaging 上提供。
引用
@article{arxiv.2412.20172,
title = {On dataset transferability in medical image classification},
author = {Dovile Juodelyte and Enzo Ferrante and Yucheng Lu and Prabhant Singh and Joaquin Vanschoren and Veronika Cheplygina},
journal= {arXiv preprint arXiv:2412.20172},
year = {2024}
}