用于肺部超声分割的迁移学习 U-Net 深度学习
图像与视频处理
2021-10-06 v1 计算机视觉与模式识别
机器学习
摘要
用于医学图像分割的迁移学习（TL）有助于深度学习模型在医学图像稀缺时获得更准确的性能。本研究专注于完成肺部超声图像中肋骨的分割，并寻找基于 U-Net（一种用于精确快速图像分割的卷积神经网络）的最佳 TL 技术。使用了两种 TL 方法：采用预训练的 VGG16 模型构建 U-Net（V-Unet），以及使用灰度自然显著目标数据集预训练 U-Net 网络（X-Unet）。对模型的视觉结果和 Dice 系数（DICE）进行了比较。尽管 X-Unet 的 DICE 低于 V-Unet，但其在实际掩码预测上展现出更准确且无伪影的视觉性能。还将部分冻结网络微调（FT）技术应用于 X-Unet，以比较不同 FT 策略间的结果，其中微调所有层略优于冻结部分网络。同时评估了数据集大小的影响，显示了 TL 与数据增强相结合的重要性。
引用
@article{arxiv.2110.02196,
title = {Transfer Learning U-Net Deep Learning for Lung Ultrasound Segmentation},
author = {Dorothy Cheng and Edmund Y. Lam},
journal= {arXiv preprint arXiv:2110.02196},
year = {2021}
}
备注
14 pages, 8 figures