迁移学习在医学图像分类中的研究进展

综述：

3种迁移学习策略：迁移模型的结构调整策略、参数调整策略，从迁移模型中提取特征的策略

5 种迁移学习模式：

简单模式：

深度卷积神经网络 (deep convolution neural network,DCNN) 模式 、 混合模式 、 特征组合分类模式、

复杂模式：多分类器融合模式和二次迁移模式 。

存在的问题并展望未来研究方向：

• 难以选择高效的迁移学习算法（用自动迁移学习解决迁移学习算法的选择问题。 ）

• 迁移模型的修改和超参数的设置缺乏理论 指导。

• 罕见疾病图像分类困难。

罕见疾病病理图 像数据样本很少, 如何通过迁移学习提高罕见疾病图像分类也是一个问题。

一方面通过对抗迁移学习来生成符合要求的罕 见疾病病理图像样本,增加样本数量

模型举例：

卷积神经网络 (convolution neural network,CNN) 可以直接采用原 始图像作为输入, 自动学习和提取特征 , 避免传统算 法的特征定义和参数设置的复杂过程

 

对 抗 式 迁 移 学 习

对抗生成网络, 用来生成皮肤癌图 像样本, 通过增加样本的方法提高皮肤癌分类准确 性

绝大多数研究采用基于模型的迁移学习,并且主 要采用深度卷积神经网络( deep convolution neural network,DCNN)作为迁移模型。

迁移学习策略

结构调整策略

结构调整策略指修改迁移模型结构的方式,根 据需要删除某些层或增加某些层,包括卷积层、完全 连接(full connection,FC)层和其他层。 其他层属于 卷积层或 FC 层,例如池化层属于卷积层,而 softmax 层属于 FC 层。

参数调整策略

参数调整指通过使用目标域数据对迁移模型进 行再训练以调整模型参数, 目的是获得更好的分类

效果 。

调整卷积层参数可以获得更 准确的特征, 调整 FC 层参数能提高分类性能 。

从迁移模型中提取特征的策略

从迁移模型中提取特征的策略指从模型的某个 或某些层提取特征,可以从卷积层提取特征,也可以 从 FC 层提取特征

 迁移学习模式

 DCNN 模式

DCNN 模式就是用同一个 DCNN 完成图像特征 提取和分类。

DCNN 能够通过卷积层提取医学图像的深层特征 , 同时还可以通过全连接层完成图像的分类任务 ,

 混合模式

混合模式由 DCNN 和分类器组成 , 前者进行特 征提取, 后者用于分类

特征组合分类模式

使用多种方法分别提取同 一个图像数据集的特征,得到的多种特征再通过某 些方法进行融合。 该模式中,特征来源有两种情况, 一种是图像特征由不同 DCNN 分别提取;另一种是 由 DCNN 和传统方法分别提取。

多分类器融合模式 

多分类器融合模式由多个分类器组成,其核心 是得到多个分类结果再进一步整合得到最终分类结 果,分为包含 DCNN 模式和包含混合模式两种

二次迁移模式