在低资源环境下使用高效微调策略对胎儿头进行分割：基于U-Net的实证研究
图像与视频处理
2024-07-30 v1 计算机视觉与模式识别
摘要
准确测量胎儿头围是评估孕期常规筛查中胎儿生长发育的关键步骤。测量前，必须准确识别和分割超声图像中特定区域——胎儿头。近期深度学习技术在使用编码器-解码器模型对胎儿头进行分割方面取得了显著进展。在这些模型中，U-Net已成为准确分割的标准方法。然而，对编码器-解码器模型进行训练是一个耗时的过程，需要大量计算资源。此外，在数据有限的情况下，对这些模型进行微调尤其具有挑战性。目前仍不存在针对胎儿超声图像分割的最佳U-Net微调的最佳实践指南。本工作综述了在来自荷兰、西班牙、马拉维、埃及和阿尔及利亚的超声数据上，针对不同主干架构、模型组件和微调策略所述述的现有微调策略。我们的研究表明：(1) 微调U-Net的性能优于从头训练；(2) 解码器中的微调策略优于其他策略；(3) 参数较少的网络架构可实现相同或更好的性能。我们还展示了在低资源环境下微调策略的有效性，并进一步将实验扩展到少样本学习。最后，我们公开了代码和特定的微调权重。
引用
@article{arxiv.2407.20086,
title = {Segmenting Fetal Head with Efficient Fine-tuning Strategies in Low-resource Settings: an empirical study with U-Net},
author = {Fangyijie Wang and Guénolé Silvestre and Kathleen M. Curran},
journal= {arXiv preprint arXiv:2407.20086},
year = {2024}
}
备注
5 figures, 2 tables