基于迁移学习的从小型数据集检测糖尿病视网膜病变
计算机视觉与模式识别
2019-05-23 v2
摘要
标注训练数据不足仍是深度学习应用于医学数据分类问题面临的挑战之一。从已训练的深度卷积网络进行迁移学习，可用于降低从头训练的成本，并利用小规模训练数据进行深度学习。这引发了一个问题：我们能否使用迁移学习来克服基于深度学习的医学数据分类中训练数据不足的问题。深度卷积网络在 ImageNet 大规模视觉识别竞赛（ILSVRC）图像分类挑战赛上已取得高性能结果。一个例子是 Inception-V3 模型，它在 ILSVRC 2015 挑战赛中获得亚军。有助于在单层卷积中提取输入图像不同尺度特征的 Inception 模块是 Inception-V3 的独特之处。在本工作中，我们使用预训练的 Inception-V3 模型以利用其 Inception 模块进行糖尿病视网膜病变检测。为应对标注数据不足问题，我们对 Kaggle 糖尿病视网膜病变分类挑战赛数据集进行子采样得到一个更小的版本用于模型训练，并在先前未见过的数据子集上测试模型准确率。我们的技术可用于其他面临标注训练数据不足挑战的基于深度学习的医学图像分类问题。
引用
@article{arxiv.1905.07203,
title = {Transfer Learning based Detection of Diabetic Retinopathy from Small Dataset},
author = {Misgina Tsighe Hagos and Shri Kant},
journal= {arXiv preprint arXiv:1905.07203},
year = {2019}
}