一 迁移学习
概念
迁移学习:将某个领域的知识或模式应用到另一个不相关的领域中
域(domain):分为原域和目标域,即某个领域
分类
迁移学习策略
迁移学习模式
DCNN
用同一个深度卷积神经网络完成特征提取和分类
混合模式
用DCNN提取特征,用传统分类器进行分类
特征组合分类模式
特征提取又多个DCNN组合完成或组合DCNN和传统方法提取特征,分类由传统分类器完成
多分类器融合模式
分类由多个分类器的结果整合完成
其中,目标函数为各分类器损失函数之和。
二次迁移模式
二次迁移模式有一个源域、一个中间目标域 ( 也称为中间源域) 和一个最终目标域。在源域对模型进行第 1 次预训练,然后将模型迁移到中间目标域进行第 2 次预训练,再将经过二次预训练的模型迁移到最终目标域进行再训练。
目标函数为临时目标域和最终目标域损失函数之和
比较
二 基于迁移学习的医学图像分类
医学图像中常用预处理模型
迁移学习方法
基于模型参数
先使用源域的大量数据对模型预训练,然后将得到的权重参数进行迁移,最后使用少量目标数据 重新训练全连接层
适用场景:原任务与目标任务相近
基于特征提取
将 CNN 模型作为特征提取器 ,然后使用少量医学数据对网络进行微调,基于不同的微调策略训练出来的 CNN 模型性能也不同,所以微调策略是该类方法被关注的重点
适用场景:原数据与目标数据相近
基于特征映射
两个域之间存在差异,但经过设计映射到新的数据空间后,可能 更加相似。该方法通过调整源域数据的边际分布或条件分布后进行特征映射,以扩大训练集的规模,增强迁移学习的效果,可以降低模型对目标数据的依赖性
适用场景:原数据与目标数据相差较大
结合对抗网络
GAN是一种有效的数据增强方式,增加训练样本能够有效提升网络模型参数。目前的应用有:先在MRI图像上用GAN生成网络,再迁移到CT图像中一个具有注脚的文本1
结合注意力机制
对于医学图像领域,注意力机制可以自动聚焦图像 中对疾病诊断重要的关键部分,从而提升模型性能,但会占用计算资源。
参考文献
[1]黎英,宋佩华.迁移学习在医学图像分类中的研究进展[J].中国图象图形学报,2022,27(03):672-686.
[2]高爽,徐巧枝. 迁移学习方法在医学图像领域的应用综述[J]. 计算机工程与应用, 2021, 57(24): 39-50.
LIAO X ,QIAN Y,CHEN Y,et al.MMTLNet:multi-modality transfer learning network with adversarial training for 3D whole heart segmentation[J].Computerized Medical Imaging and Graphics,2020,85:101785. ↩︎