ImageNet和CNN可以帮助医学图像的识别吗?

最新推荐文章于 2023-12-27 01:46:44 发布

飞跃重洋的思念

最新推荐文章于 2023-12-27 01:46:44 发布

阅读量1.5w

点赞数 8

分类专栏：机器学习图像处理文章标签：机器学习计算机视觉 cnn

本文链接：https://blog.csdn.net/taigw/article/details/50823582

版权

本文探讨了CNN如何从ImageNet的图像识别成功中受益，并分析了将其应用于医学图像识别的挑战，如数据缺乏。通过转移学习解决小样本问题，研究表明在医学图像分类和检测中，使用ImageNet预训练模型可以显著提高性能，减少过度拟合，为医学图像分析带来潜力。

摘要由CSDN通过智能技术生成

从ImageNet和CNN说起

图像的分类和识别一直是计算机视觉的热门研究领域，在医学图像领域，很多方法也都是从计算机视觉领域借鉴过来的，而计算机视觉的许多方法又离不开机器学习和人工智能的基础。

在典型的图像分类和识别问题中，通常有两个重要的步骤，一个是特征提取，常见的有GLCM, HOG, LBP, Haar Wavelet, 一个是分类器，例如SVM, Random Forest, Neuron Network等。特征提取过程中通常是人工选取某些特征，但是难以确定这些特征是否真正准确地描述了不同类别的差异，怎样才能得到最好的特征呢？

于是卷积神经网络应运而生。其思想是通过一些卷积层的参数来描述特征，这些参数的值不是人工设定，而是通过大量的训练数据通过训练自动得到。再配合传统的Neuron Network可以同时训练特征的参数和分类器的参数。这就是卷积神经网络（Convolution Neuron Network, CNN）。下图简要归纳了它的结构与传统Neuron Network的联系与区别。
这里写图片描述

CNN的成功主要起源于它在ImageNet大规模视觉识别挑战赛（ILSVRC）上的成就。ImageNet是一个斯坦福大学Fei-fei Li教授发起的图像数据库，包含120万以上的训练数据和1000种不同的类别，其识别一直比较困难，直到2012年AlexNet的提出，从此以后几乎每年ILSVRC的赢家都使用了CNN，相比以往的方法大幅提高了识别的准确率。