利用机器学习分析神经影像 | BMC Med Inform Decis Mak

发表期刊：BMC Medical Informatics and Decision Making

论文标题：利用迁移学习进行神经影像学分析：与自定义 3D 卷积神经网络模型的比较分析（Adopting transfer learning for neuroimaging: a comparative analysis with a custom 3D convolution neural network model）

通讯作者兼第一作者：Amira Soliman

DOI：10.1186/s12911-022-02054-7

发表日期：2022年12月7日

背景

近年来，采用深度学习算法的神经影像学在神经退行性疾病的诊断方面取得了显着进步。然而，将深度学习应用于不同的医学领域通常会因缺乏标记数据而面临挑战。为了应对这一挑战，迁移学习 (TL) 已被应用于使用在自然图像上预训练的最先进的卷积神经网络。然而，医学图像和自然图像之间存在特征差异，图像分类和目标医学诊断任务也存在差异。本研究的目的是使用18F-FDG-PET脑部扫描的3D体积来研究专业和迁移学习在神经退行性疾病分类中的性能。

结果

结果表明，迁移学习模型对于神经退行性疾病的分类不是最理想的，尤其是以区分两种以上的疾病作为目标时。此外，专门的卷积神经网络（CNN）模型可以更好地解释预测诊断。

结论

迁移学习确实能以及时和数据有效的方式在二元分类上带来卓越的性能，但是在检测不止一种疾病时，迁移学习模型表现不佳。此外，自定义3D-CNN在二元分类方面的表现与迁移学习模型相当；有趣的是，在多种疾病的诊断方面表现更好。与 TL 采用的模型相比，结果证实了自定义3D-CNN有着提供更好的可解释模型这一优势。

点击“阅读原文”阅读英文原文

Adopting transfer learning for neuroimaging: a comparative analysis with a custom 3D convolution neural network model

转自：“BMC科研永不止步”微信公众号

如有侵权，请联系本站删除！