机构名称：
¥ 2.0
摘要：（1）背景：迁移学习是指专注于从相关任务中获取知识以提高感兴趣任务的泛化的机器学习技术。在磁共振成像（MRI）中，迁移学习对于制定解决不同成像协议或扫描仪的 MRI 图像变化的策略非常重要。此外，迁移学习有利于重新利用经过训练以解决与感兴趣任务不同（但相关）的任务的机器学习模型。本综述的目的是确定应用于 MR 脑成像的迁移学习方法的研究方向、知识差距、应用和广泛使用的策略；（2）方法：我们对将迁移学习应用于 MR 脑成像任务的文章进行了系统的文献检索。我们筛选了 433 项研究以确定它们的相关性，并对相关信息进行分类和提取，包括任务类型、应用、标签的可用性和机器学习方法。此外，我们仔细研究了脑 MRI 特定的迁移学习方法和其他解决医学成像相关问题的方法，包括隐私、看不见的目标域和未标记的数据； (3) 结果：我们发现了 129 篇将迁移学习应用于 MRI 脑成像任务的文章。最常见的应用是痴呆症相关分类任务和脑肿瘤分割。大多数文章都使用了基于卷积神经网络 (CNN) 的迁移学习技术。只有少数方法使用了明确针对脑 MRI 的方法，并考虑了隐私问题、看不见的目标域或未标记的数据。我们提出了一种新的分类方法，以对预训练和微调 CNN 等特定的、广泛使用的方法进行分组；(4) 讨论：人们对脑 MRI 的迁移学习越来越感兴趣。众所周知的公共数据集显然促进了阿尔茨海默氏症诊断/预后和肿瘤分割等应用的普及。同样，预训练 CNN 的可用性也促进了它们的利用。最后，大多数接受调查的研究没有详细研究应用迁移学习后对其策略的解释，也没有将其方法与其他迁移学习方法进行比较。
磁共振脑成像中的迁移学习
主要关键词
相关文件推荐
