基于迁移学习的医学图像分类技术在疾病检测中的性能评估
计算机视觉与模式识别
2025-12-05 v1
摘要
医学图像分类在通过将医学图像（如 X 光、MRI 和 CT 扫描）分类到不同类别以识别各种疾病方面发挥着日益重要的作用。近年来，深度学习技术在医学图像分类中受到广泛关注。然而，通常不可能从头训练整个大型深度学习模型。为解决此问题，一种解决方案是迁移学习（TL）技术，即重用预训练模型以适应新任务。在本文中，我们对使用深度卷积神经网络进行医学图像分类的迁移学习技术进行全面分析。我们在用于疾病检测的自定义胸部 X 光数据集上评估了六个预训练模型（AlexNet、VGG16、ResNet18、ResNet34、ResNet50 和 InceptionV3）。实验结果表明，InceptionV3 在所有标准指标上均一致优于其他模型。ResNet 系列模型随深度增加表现逐渐更佳，而 VGG16 和 AlexNet 表现尚可但准确率较低。此外，我们还进行了不确定性分析和运行时比较，以评估这些模型的鲁棒性和计算效率。我们的发现表明，迁移学习在大多数情况下都有益尤其是在数据有限的情况下，但但以多少提升取决于诸多因素，例如模型架构、数据集大小以及源任务与目标任务之间的域相似性。此外，我们展示，仅凭一个经过良好训练的特征提取器，就足够提供高效预测。因此，本研究促进了对迁移学习在医学图像分类中的理解，并为根据特定要求选择合适模型提供了见解。
引用
@article{arxiv.2512.04397,
title = {Performance Evaluation of Transfer Learning Based Medical Image Classification Techniques for Disease Detection},
author = {Zeeshan Ahmad and Shudi Bao and Meng Chen},
journal= {arXiv preprint arXiv:2512.04397},
year = {2025}
}