简介
本文是胶质瘤的常规MRI(核磁共振)分类:深度学习和迁移学习。
所用到的一些简称:世界卫生组织(WHO),低度胶质瘤(LGG),高级别胶质瘤(HGG)
作者通过分析MRI图像,训练CNN对LGG和HGG进行无创分类。(1)探索评估两种CNN架构(AlexNet和GoogLeNet)性能。(2)通过迁移学习评估影响。
进行了从头开始训练的网络性能与迁移学习网络的对比,结果迁移学习网络性能好。使用到迁移学习时,与以往不同的是在解决通道问题时,将预训练的网络第一层与最后一层随机初始化权重,保留其余层的权重,fine-tuning时全部层都进行调动。
近年来机器学习技术应用于胶质瘤分类,通过从不同的参数图中提取图像特征,包括临床特征,直方图特征和纹理特征。传统机器学习有两个弱点:(1)成像预处理过程复杂且耗时,很大程度上取决于操作者的经验。(2)判别模式的鲁棒性很低。
与自然图像不同,医学领域面临的主要挑战是训练数据量不够,迁移学习减少了训练数据和测试数据之间的数据分布不匹配问题。这是传统机器学习方法精度低的主要问题。
研究设计
病人接受了核磁共振成像检查(MRI)手术前。选取肿瘤切片,经图像格式转换后分割为感兴趣的矩形区域(ROI)。然后将数据分为训练数据集、验证数据集和测试数据集。在5倍交叉验证中使用的数据增加了14倍,并且保持测试数据集不变。最后,对AlexNet和GoogLeNet进行了从零开始的训练和预训练模型的微调。