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。