基于迁移学习的食道癌影像识别研究

针对食道癌影像在深度学习中因为数据集小、数据不平衡而识别效果不佳等问题,提出一种基于AlexNet神经网络模型的迁移学习识别方法。首先对下载好的食道癌数据集进行相应的数据增强和预处理作为目标样本备用,接着挑选大量标签完整有关联的ImageNet图像对AlexNet网络进行训练,将训练好的AlexNet网络有效的特征提取层进行冻结,对未冻结的替换层进行符合目标样本分类任务的参数调整和结构优化,然后将目标样本放入完成迁移学习的AlexNet网络中进行训练。最后将目标样本直接放入传统的AlexNet、GooLeNet、ResNet神经网络中直接训练,并与进行迁移学习以后的AlexNet模型进行结果比较。结果表明基于迁移学习的AlexNet模型识别率明显高于传统的AlexNet神经网络模型,验证了迁移学习的可行性。