Towards Alzheimer’s Disease Classification through Transfer Learning

论文链接:https://arxiv.org/abs/1711.11117
code:https://github.com/marciahon29/Ryerson_MRP

摘要:

利用迁移学习解决医学图像数据较少的问题。VGG和inception是通过预训练的权重进行初始化,然后在全链接成只使用少量的MRI影像进行retrain。我们通过熵来选择信息量较大的图像进行训练。
数据集:OASIS MRI dataset,能够10倍较少训练时间并取得同等或者更优效果。

引言:

传统方法存在的问题:

需要大量标注数据,但是标注数据需要专业人员进行标注,成本很高,而且因为一些伦理原因,交叉机构之间要保护数据。
在大量数据集情况下需要很大的计算资源
需要大量调参,每个局部优化都可能引起过拟合或者欠拟合的问题

解决方法:

通过迁移学习的方法在深度网络中进行fine-tuning。比如已经在ImageNet上预训练好的CNN网络,可以用小数据集只需在全连接层进行微调即可。
迁移学习已经被证明在交叉领域具有很好的鲁棒性,比如在自然图像中预训练的模型可以被用在医疗图像中。

本文是利用VGG16 和 inception两种网络,结合迁移学习方法用在AD诊断中。实验表明,只要正确的选择训练集,这两种在imagenet上预训练的网络可以在医疗影像中发挥很好的性能。

  • 1
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值