通过MedMNIST+数据集收集重新思考模型原型设计.
Sebastian Doerrich1, Francesco Di Salvo2, Julius Brockmann2,3
1University of Bamberg, xAILab Bamberg, Bamberg, 96047, Germany. sebastian.doerrich@uni-bamberg.de.
Scientific reports
|March 5, 2025
概括
这项研究引入了医疗深度学习的新基准,对各种数据集进行卷积神经网络 (CNN) 和视觉转换器 (ViT) 的评估. 调查结果显示,高效的培训和较低的分辨率是有效的,CNN仍然具有竞争力.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 在临床实践中深度学习的整合面临着来自有限,异构的医学数据的障碍.
- 专注于狭窄的基准,而不是临床适用性,阻碍了有意义的进展.
研究的目的:
- 为MedMNIST+数据集收集引入一个全面的基准.
- 在成像方式,解剖区域,任务和样本大小之间多样化评估.
- 系统地重新评估CNN和视觉变压器 (ViT) 架构.
主要方法:
- 在各种医疗数据集,训练方法和输入分辨率中评估了CNN和ViT.
- 利用MedMNIST+数据集集合进行广泛的评估.
- 评估模型有效性和发展假设.
主要成果:
- 计算高效的培训和基础模型是昂贵的端到端培训的可行替代方案.
- 更高的图像分辨率并不能始终提高超过一个值的性能.
- 对于ViTs而言,CNN仍然具有竞争力,这凸显了了解架构特定能力的必要性.
结论:
- 标准化的评估框架提高了医疗人工智能研究的透明度,可复制性和可比性.
- 较低的图像分辨率可以在不牺牲精度的情况下降低计算需求.
- 了解内在的架构能力对于有效的医学深度学习模型开发至关重要.


