关于评估 CNN 表征用于低资源医学图像分类的研究

Taruna Agrawal; Rahul Gupta; Shrikanth Narayanan

关于评估 CNN 表征用于低资源医学图像分类的研究

图像与视频处理 2019-03-28 v1 机器学习机器学习

作者: Taruna Agrawal , Rahul Gupta , Shrikanth Narayanan

摘要

卷积神经网络（CNNs）已革新了图像分类、目标跟踪和关键词 spotting 等多项机器学习任务的性能。然而，鉴于其包含大量参数，将其直接应用于低资源任务并非易事。在这项工作中，我们通过迁移学习，仅用几千个训练样本将 CNN 模型应用于胃肠地标分类。作为标准迁移学习方法，我们在大型外部语料库上训练 CNN，随后提取医学图像的表征。最后，在这些 CNN 表征上训练一个分类器。然而，鉴于存在多种 CNN 变体，CNN 的选择并不显然。为此，我们开发了一种新度量，可在给定训练集上 CNN 表征的情况下预测测试性能。我们不仅展示了基于 CNN 的迁移学习方法优于一组知识驱动特征的组合，而且所提度量与采用各种 CNN 表征获得的测试集性能具有 87% 的相关性。

关键词

卷积神经网络迁移学习医学图像分类表征评估低资源学习胃肠地标

引用

@article{arxiv.1903.11176,
  title  = {On evaluating CNN representations for low resource medical image classification},
  author = {Taruna Agrawal and Rahul Gupta and Shrikanth Narayanan},
  journal= {arXiv preprint arXiv:1903.11176},
  year   = {2019}
}

备注

Accepted to ICASSP 2019

关于评估 CNN 表征用于低资源医学图像分类的研究

摘要

关键词

引用

备注

相关论文