预训练网络的深度特征在放射学中不超过手工制作的特征
1Institute of Diagnostic and Interventional Radiology and Neuroradiology, University Hospital Essen, Hufelandstraße 55, 45147 Essen, Germany.
Diagnostics (Basel, Switzerland)
|October 28, 2023
概括
使用预训练网络的深度特征的放射学模型没有超过使用手工特征的模型. 结合功能可以提高整体性能,但不是最好的模型.
科学领域:
- 放射学和医学成像分析.
- 医疗保健中的机器学习
- 计算病理学计算病理学
背景情况:
- 深度学习模型可以从医学图像中提取复杂的特征.
- 传统上,手工制作的特征一直在放射学中使用.
- 在放射学中,预训练网络的深度特征的潜力仍然是活跃的研究领域.
研究的目的:
- 为了比较使用深度特征与手工制作特征的放射学模型的预测性能.
- 评估结合深度和手工制作特征对模型性能的影响.
- 评估预训练数据 (医学与ImageNet) 对深度功能性能的影响.
主要方法:
- 模型在十个放射性数据集上受过训练.
- 使用了五种特征选择方法和三种分类器.
- 使用ROC曲线下的面积 (AUC) 和其他指标来评估性能.
主要成果:
- 深度特征的AUC并没有显著高于手工制作的特征 (0.775比0.789).
- 将形态特征与深层特征相结合,改善了模型的整体性能 (AUC +0.02).
- 将所有手工制作的功能与深度功能相结合,进一步提高了整体性能 (AUC +0.034),但不是最好的模型的性能.
结论:
- 使用预训练网络的深度特征的放射学模型并不本质上优于使用手工特征的模型.
- 结合特征类型可以提高整体预测性能,尽管效益可能会因表现最佳的模型而异.
- 预训练数据源 (医疗与ImageNet) 在这种放射学背景下并没有为深度特征提取提供显著的优势.
