目前，已经有不少深度学习模型被广泛地用于辅助性的胸片（Chest X-Ray）解释，这有助于帮助减轻临床医生的日常工作。其中，使用预训练的 ImageNet 模型进行迁移学习，已经成为开发模型的标准方法，不仅适用于胸片，也适用于许多其他医学成像模式。因此，有观点认为，经 ImageNet 检验的架构越好，性能效果便越佳，以及调整预训练的权重可以提高目标医疗任务的性能等。
用于胸片解释的深度学习方法通常依赖于为 ImageNet 开发的预训练模型。与此同时，该范例假设，更好的 ImageNet 架构在胸片任务上表现得更好，并且 ImageNet 预训练的权重比随机初始化所提供的性能更高。
在这项工作，斯坦福大学吴恩达团队通过在大型胸片数据集 CheXpert 上比较 16 种流行的卷积架构的迁移性能和参数效率，他们探索了 ImageNet 架构和权重两个因素与胸片任务的性能之间的关系。团队发现，无论模型是否经过预训练，基于 ImageNet 的体系结构改进带来的性能提升，和 CheXpert 性能之间并无明显关系。
- 论文名称：CheXtransfer: Performance and Parameter Efficiency of ImageNet Models for Chest X-Ray Interpretation
- 论文链接：https://arxiv.org/pdf/2101.06871.pdf
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢