数据源影响：医学影像模型鲁棒性的关键因素
计算机视觉与模式识别
2024-08-20 v2 机器学习
摘要
迁移学习已成为医学影像分类算法的 essential 组成部分，常常利用ImageNet权重。在从自然图像向医学图像的领域迁移，促使了诸如RadImageNet等替代方案的出现，常表现出可比的分类性能。然而，性能提升源于更好的泛化能力，还是捷足便馅学习(Cheat learning)，仍不明确。为此，我们引入了医学影像情境化混淆因素分类学(MICCAT)，并通过两种公开的胸X光和CT数据集探讨其范围内的混淆因素——无论是合成的，还是从数据中抽取的。我们表明，ImageNet和RadImageNet在分类性能上可比，但ImageNet更易受到捷足便馅学习的影响。我们建议，针对使用ImageNet预训练模型的研究者，通过进行类似实验来重新审查其模型鲁棒性。
引用
@article{arxiv.2403.04484,
title = {Source Matters: Source Dataset Impact on Model Robustness in Medical Imaging},
author = {Dovile Juodelyte and Yucheng Lu and Amelia Jiménez-Sánchez and Sabrina Bottazzi and Enzo Ferrante and Veronika Cheplygina},
journal= {arXiv preprint arXiv:2403.04484},
year = {2024}
}