迁移学习入门1

简介：
《迁移学习入门1》是一本针对初学者编写的教程，系统介绍迁移学习的基本概念、原理及应用。通过实例解析和代码实践，帮助读者快速掌握相关技术，适用于机器学习爱好者和技术从业者。 迁移学习是一种机器学习方法，其核心思想是利用在一个任务中学到的知识来改善在另一个相关任务上的表现。特别是在医学影像分析领域，尤其是在处理超声视频数据方面，迁移学习扮演了重要角色。本段落以胆管细胞癌（ICC）和肝细胞癌（HCC）的超声视频为例，探讨如何有效地应用迁移学习提高诊断准确性和效率。 研究中收集了1999年至2019年间中山大学第一附属医院共190例胆管细胞癌患者的CEUS视频，并按1:1的比例匹配了肝细胞癌病例，总共380例。这些数据经过严格的入组标准筛选，确保病理确诊并排除肝外转移和血管侵犯的病例。研究采用三折交叉验证的方式随机分组肿瘤类型以评估模型稳定性和泛化能力。 在预处理阶段，视频被转化为.bmp格式的图像序列，并合并为clip减少内存占用和加快读取速度。每个视频8个关键时间点的肿瘤靶区被挑选出来包括不同增强阶段的图像。通过最小边界框覆盖所有区域并扩展20像素来获取统一截取区域以实现病灶与背景分离。 在模型选择比较方面，研究涉及了多种网络结构如2D CNN、2D CNN+BERT、C3D、I3D、SlowFast、R(2+1)D、TSM和GSM。实验结果显示： - GSM模型表现最优。 - 2D CNN在某些情况下优于时空网络。 - BERT结构相对于2D CNN有更好表现，尤其是BERT resnet50和BERT bninception。 - Slow通道迁移效果不佳不适合CEUS应用。 - TSM网络的迁移性能较差可能因其Shift模块在CEUS上无法有效迁移。 - I3D的表现中规中矩。 - C3D在大量数据下性能提升显著，达到0.9正确率和0.867 ICC敏感性是实验最佳模型。 - R(2+1)D resnet34相比resnet34+BERT有更明显提升；resnet50优于resnet34暗示更深的网络可能会进一步提高性能。 - 增加视频采样图像数量通常能提升分类性能。 - 均匀采样在迁移学习中的效果优于原模型密集采样因为包含了完整造影过程有助于理解动态过程。 这些发现强调了迁移学习解决医疗影像分析中数据稀缺问题的重要性。通过适当选择和调整预训练模型，可以提高特定任务（如区分ICC和HCC）的诊断准确性。同时优化模型及采样策略也是关键因素直接影响CEUS视频上的表现。未来研究可进一步探索更深网络结构以及如何更好地适应CEUS视频动态特性以提升性能与临床实用性。