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。