在脑MRI上检测瘤的域内转移学习策略

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 转移学习对于医疗成像等数据稀缺领域至关重要.
• 自然图像数据集在医学领域的预培训中的有效性仍在争论中.
• 转移学习策略的定量比较对于医疗物体检测是必要的.

研究的目的:

• 用自然与医疗图像数据集量化比较用于医疗物体检测的转移学习.
• 评估不同重量初始化方法用于转移学习.
• 评估数据增强对转移学习绩效的影响.

主要方法:

• 使用Mask R-CNN架构进行对象检测和细分.
• 雇佣的MS COCO (自然) 和BraTS 2020 (医疗) 数据集用于预培训.
• 加齐大脑2020数据集作为医疗物体检测的目标.
• 对比了五种不同的体重初始化策略.

主要成果:

• 医学影像预训练比自然影像预训练获得了10%的更高成功率和24%的更好的收率.
• 使用MS COCO或随机权重转移学习的表现与数据增强类似.
• 域内转移学习的效率高于跨域转移学习,无论数据量如何.

结论:

• 在域内转移学习,特别是医疗数据集,对于医疗对象检测任务是优越的.
• 介绍了Gazi Brains 2020数据集,用于在脑MRI分析中进行域内转移学习.
• 深度神经网络受益于同一领域内的知识传输,以改善医疗图像分析.