选择预训练重量用于转移学习在自动化细胞巨病毒视网膜炎分类中
Pitipol Choopong1,2, Worapan Kusakunniran3
1Department of Ophthalmology, Faculty of Medicine Siriraj Hospital, Mahidol University, Bangkok, Thailand.
Scientific reports
|July 10, 2024
概括
转移学习显著改善了从视网膜图像中自动诊断细胞巨乳病毒视网膜炎 (CMVR). 使用ImageNet和APTOS2019数据集的顺序转移学习实现了最高的准确性,有助于早期发现疾病.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 细胞巨乳病毒视网膜炎 (CMVR) 是视力丧失的主要原因,需要有效的查方法.
- 使用深度学习的自动诊断显示出希望,但受到有限的医疗图像数据集的阻碍.
- 转移学习 (TL) 为缺乏数据的培训模型提供了解决方案.
研究的目的:
- 为了评估转移学习 (TL) 的有效性,使用各种预训练的权重进行自动化CMVR分类.
- 使用视网膜图像来比较CMVR检测的不同预训练模型的性能.
主要方法:
- 使用955张视网膜图像 (524张CMVR,431张正常) 的数据集进行训练和增强.
- 雇佣了DenseNet121在ImageNet,APTOS2019和CheXNet数据集上预先训练的权重.
- 使用精度,损失和类激活热图评估模型性能,不同的微调深度.
主要成果:
- 转移学习显著提高了CMVR分类性能.
- 顺序转移学习 (ImageNet -> APTOS2019 -> CMVR数据集) 实现了最高的平均精度 (0.99) 和最低的平均损失 (0.04).
- 类激活热图表明,APTOS2019预训练模型提供了人类对病理病变的最可解释的见解.
结论:
- 顺序转移学习对于改进自动化CMVR诊断是有效的,特别是在有限的数据.
- 对特定领域的预培训对于提高医学图像分类准确性至关重要.
- 这种方法为早期CMVR检测和自动化医疗图像分析提供了可扩展的解决方案.
