基于稀疏标注三维医学图像数据集的迁移学习
图像与视频处理
2023-11-10 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
迁移学习利用来自大型数据集的预训练模型特征，在为各类任务训练新模型时节省时间与资源，并可能提升性能。由于医学影像领域缺乏大型数据集，从一个医学影像模型到其它医学影像模型的迁移学习尚未被广泛探索。本研究探讨使用迁移学习来提升深度卷积神经网络在医学影像中器官分割的性能。一个基础分割模型（3D U-Net）在一个大型且稀疏标注的数据集上训练；其权重被用于四个具有完全标注数据集的新下游分割任务的迁移学习。我们分析了训练集大小的影响以模拟稀缺数据。结果表明，在可用数据集较小时，来自基础模型的迁移学习是有益的，带来显著的性能提升；其中微调基础模型比使用朴素迁移学习更新全部网络权重更有益。带微调的迁移学习相较从头训练的实验将 Dice 分数最高提升 0.129（+28%），且平均而言 23 个实验在新分割任务中提升 0.029 Dice 分数。研究还表明使用 CT 扫描的跨模态迁移学习是有益的。本研究的发现展示了迁移学习提升标注效率与增加医学影像中准确器官分割可及性的潜力，最终改善患者照护。我们将网络定义与权重公开以供其他用户与研究者使用。
引用
@article{arxiv.2311.05032,
title = {Transfer learning from a sparsely annotated dataset of 3D medical images},
author = {Gabriel Efrain Humpire-Mamani and Colin Jacobs and Mathias Prokop and Bram van Ginneken and Nikolas Lessmann},
journal= {arXiv preprint arXiv:2311.05032},
year = {2023}
}