使用迁移学习模型的骨肉瘤肿瘤检测
图像与视频处理
2023-05-17 v1 计算机视觉与模式识别
摘要
临床图像分析领域正日益应用迁移学习模型，因其计算复杂度较低、准确率更优等。这些为预训练模型，无需从头训练，从而免除了对大型数据集的需求。迁移学习模型多用于脑、乳腺或肺图像分析，但其他领域如骨髓细胞检测或骨癌检测也可受益于使用迁移学习模型，尤其考虑到这些任务缺乏可用大型数据集。本文研究若干迁移学习模型在骨肉瘤肿瘤检测中的性能。骨肉瘤是一种多见于身体长骨细胞的骨癌。数据集由 H&E 染色图像组成，分为 4 类——存活肿瘤、非存活肿瘤、非肿瘤以及存活-非存活。两个数据集均按 80-20 比例随机划分为训练集与测试集。80% 用于训练，20% 用于测试。比较考量 4 个模型——EfficientNetB7、InceptionResNetV2、NasNetLarge 与 ResNet50。所有这些模型均在 ImageNet 上预训练。根据结果，InceptionResNetV2 取得最高准确率（93.29%），其后为 NasNetLarge（90.91%）、ResNet50（89.83%）与 EfficientNetB7（62.77%）。它在 4 个模型中亦具最高精确率（0.8658）与召回率（0.8658）值。
引用
@article{arxiv.2305.09660,
title = {Osteosarcoma Tumor Detection using Transfer Learning Models},
author = {Raisa Fairooz Meem and Khandaker Tabin Hasan},
journal= {arXiv preprint arXiv:2305.09660},
year = {2023}
}