基于多重迁移学习的糖尿病视网膜病变检测

• 作者: 李鹤喜 林溢星 赵地 迟学斌 颜嵩林
• 来源期刊: 中国数字医学
• 学科: 医学
• 关键词: 多重迁移学习 微调CNN模型 非平衡增强法 眼底图像
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 特别专题-人工智能在医学领域的研究与应用
• 页码范围: 26-30
• 页数: 5页
• 分类号: R319
• 字数: 3410字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-7571.2019.03.007

摘要

目前,大规模的注释数据集仍然主导着卷积神经网络(Convolutional Neural Network,CNN)的模型训练.然而,与ImageNet相反,获得如此大规模的全面注释的医学图像数据集仍是一项具有挑战性的任务.所以利用迁移学习,例如微调CNN模型仍是处理这个问题的主要方法.尽管通常的迁移学习已经被广泛讨论,但多重迁移学习还没有被应用到实际工作中.采用多重迁移学习方法对Kaggle视网膜眼底图像数据集中的CaffeNet、GoogLeNet和VGG19等不同的CNN模型进行二次迁移.旨在探索介于准确性与一次迁移模型类型之间的潜在因素.实验结果表明,丰富的层次特征可提高识别精度,均匀背景下的二次迁移可使模型性能更佳.