迁移学习方法在医学图像领域的应用综述

深度学习技术发展迅速，在医学图像处理领域取得了显著成果。但是由于医学图像样本少，标注困难，使得深度学习的效果远未达到预期。近年，利用迁移学习方法缓解医学图像样本不足的问题，提高深度学习技术在医学图像领域的效果，成为了研究热点之一。介绍了迁移学习方法的基本概念、类型、常用策略及模型，根据迁移学习方法的类型，对当前医学图像领域具有代表性的相关研究进行了梳理与小结，对该领域的未来发展进行了总结和展望。

http://cea.ceaj.org/CN/10.3778/j.issn.1002-8331.2107-0300

近年，许多研究将深度学习技术应用于医学图像处 理领域，以实现器官和病灶的自动分割、分类，取得了较 好的效果。深度学习技术的有效性很大程度上依赖于 大量训练数据，然而目前医学图像数据相比自然图像， 在数量上比较有限，标注难度也较大，因此，基于深度学 习技术的医学图像分析算法的精确度和准确性仍有待 提高。为了解决医学图像数据缺乏而导致的训练集不 足的问题，很多研究引入了迁移学习方法，利用自然图 像数据集或其他医学图像数据集，对网络进行预训练， 然后将学习到的知识迁移到目标任务，进而提高网络模 型的性能。本文调研了近几年医学图像领域中典型的迁移学 习框架，并对这些框架进行了分析和总结，以帮助相关 研究者对该研究领域的理解。

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“TLMI” 就可以获取《迁移学习方法在医学图像领域的应用综述》专知下载链接

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源