基于迁移学习的多视角乳腺肿块和钙化簇分类方法

针对乳腺肿块和钙化簇分类任务中可用训练数据量较少的问题,结合乳腺钼靶图成像特点提出了一种基于二次迁移学习的多视角模型。首先,使用CBIS-DDSM制作乳腺局部组织切片数据集来预训练主干网络,完成主干网络的领域适应性学习,使之具备基本的病理特征捕捉能力;随后,把主干网络二次迁移到多视角网络中,在绵阳市中心医院数据集上进行微调,同时利用CBIS-DDSM增加训练的正样本数量以提升网络的泛化能力。实验结果表明,领域适应性学习和数据扩充策略平均提升了17%性能指标,取得了94%和90%的肿块和钙化簇曲线下面积(AUC)值。     

基于深度迁移学习的肺结节辅助诊断方法

在肺癌早期筛查过程中,人工诊断胸部CT扫描图像费时费力,而深度学习网络缺乏足够的医学数据进行训练。为此,提出一种渐进式微调(PFT)策略,将其应用于深度迁移学习网络以辅助诊断肺结节良恶性。利用神经网络在粗粒度的自然图像大数据集中学习特征知识,经重构网络分类层将所学到的特征信息迁移至肺结节的细粒度小数据集。采用PFT策略从全连接分类层开始,逐层释放、微调训练卷积层直至所有网络层,并通过定量分析各层微调后肺结节良恶性分类的AUC值,确定最佳微调深度。此外,采用梯度加权类激活映射图和t-SNE算法为网络预测结果提供相应的视觉支持与解释。在LIDC数据集中的实验结果表明,该方法对肺结节良恶性诊断的准确率可达91.44%,其AUC值为0.962 1。