细粒度学习速度配置对医疗图像细分模型性能的影响
Fang Wang1, Ji Li2, Rui Zhang3
1School of Computer Science and Technology, Taiyuan University of Science and Technology, No. 66 Rangliu Road, Wanbailin District, Taiyuan City, Shanxi Province, China, Taiyuan, 030024, CHINA.
Biomedical physics & engineering express
|January 14, 2026
概括
在网络层上初始化差异化学习速率显著改善了基于深度学习的医学图像细分. 这种细粒度的方法优化了模型性能,用于诸如多和瘤检测等任务.
科学领域:
- 深度学习 (Deep Learning) 是一种深度学习.
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
背景情况:
- 医疗图像细分研究越来越多地利用多式联络数据融合.
- 准确的参数更新对于深度学习细分模型至关重要.
- 跨网络层次结构的细粒度学习率初始化的影响仍未得到充分研究.
研究的目的:
- 调查差异化学习率初始化对医疗图像细分性能的影响.
- 为深度学习模型提出一个细粒度的学习速度配置算法.
- 建立早期培训和最终模型表现之间的统计关系.
主要方法:
- 进行了实验,以评估层特定学习率的影响.
- 开发了一种用于细粒度学习速率配置的新算法.
- 在CVC-ClinicDB,Kvasir-SEG和BUSI数据集上评估了10个细分模型.
- 对甲状腺结节和皮肤病变数据集的验证概括.
主要成果:
- 差异化学习率初始化直接影响细分性能.
- 对于H-vmunet (3.87%,6.22%) 和MSRUNet (4.67%) 观察到对欧盟 (mIoU) 的平均交叉路口的显著改善.
- 拟议的算法在各种医学成像数据集中展示了有效性和概括性.
结论:
- 细粒度的学习速度配置是提高医疗图像细分的关键因素.
- 拟议的算法为优化深度学习模型提供了可概括的方法.
- 进一步的分析证实了该方法的有效性,可转移性和临床相关性.
