MediNet:使用MediNet医疗视觉数据库的转移学习方法.
Hatice Catal Reis1, Veysel Turk2, Kourosh Khoshelham3
1Department of Geomatics Engineering, Gumushane University, 2900 Gumushane, Turkey.
Multimedia tools and applications
|June 26, 2023
概括
这项研究介绍了新的医学成像数据集MediNet,并评估了疾病分类的深度学习模型. 使用MediNet进行转移学习,提高了各种医疗数据集的分类准确性,证明了其在医疗AI中的有效性.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 深度学习应用程序深度学习应用程序
背景情况:
- 深度学习需要大型标记数据集,这在医学研究中很少.
- 医学图像分析在数据收集和注释方面面临着挑战.
- 现有的深度学习模型需要有效的医疗任务预培训策略.
研究的目的:
- 介绍MediNet,一个新的10类医学成像数据集.
- 评估各种深度学习算法的性能,使用MediNet数据集上的转移学习.
- 通过使用MediNet进行预训练,提高医学成像中的疾病分类准确性.
主要方法:
- 开发MediNet数据集,包括多种医学成像模式 (X射线,CT,MRI,超声波,组织病理学).
- 在MediNet数据集上对七个深度学习算法 (AlexNet,VGG19-BN,Inception V3,DenseNet 121,ResNet 101,EfficientNet B0,Nested-LSTM + CNN) 进行培训和预培训.
- 转移学习的应用,使用MediNet预训练的模型来对胸部X射线,Covid-19和糖尿病视网膜病变数据集进行分类任务.
主要成果:
- 使用MediNet转移学习显著提高了跨多个医疗数据集的分类准确性.
- 在转移学习后,InceptionV3在胸部X射线图像上实现了98.71%的准确性,比94.84%有所增加.
- 在MediNet预训练后,DenseNet121和Nested-LSTM + CNN也在Covid-19 (92%) 和糖尿病视网膜病 (81.52%) 数据集上表现得更好.
结论:
- MediNet是培训医学图像分析的深度学习模型的宝贵资源.
- 使用在MediNet上预训练的模型进行转移学习可以提高各种医疗条件的诊断性能.
- 提出的方法在医学疾病分类任务中表现出卓越的结果.
