理解医学图像的深度迁移学习机制
计算机视觉与模式识别
2017-04-21 v1
摘要
自动学习任务特定特征表示的能力已导致深度学习方法的巨大成功。当大型训练数据稀缺时，例如在医学影像问题中，迁移学习已非常有效。本文中，我们系统研究将训练于ImageNet图像上执行图像分类的卷积神经网络（CNN）迁移到超声图像中肾脏检测问题的过程。我们研究检测性能如何依赖于迁移的程度。我们展示迁移并微调的CNN能超越最先进的特征工程流水线，且这两种技术的混合实现了20%更高的性能。我们还研究我们网络中间响应图像的演化。最后，我们将这些响应与最先进的图像处理滤波器进行比较，以深入理解迁移学习如何能够有效处理广泛变化的成像机制。
引用
@article{arxiv.1704.06040,
title = {Understanding the Mechanisms of Deep Transfer Learning for Medical Images},
author = {Hariharan Ravishankar and Prasad Sudhakar and Rahul Venkataramani and Sheshadri Thiruvenkadam and Pavan Annangi and Narayanan Babu and Vivek Vaidya},
journal= {arXiv preprint arXiv:1704.06040},
year = {2017}
}
备注
Published in MICCAI Workshop on Deep Learning in Medical Image Analysis, 2016