高 爽，徐巧枝

内蒙古师范大学 计算机科学技术学院，呼和浩特010022

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。

1 迁移学习

1.1 迁移学习的概念及其分类

迁移学习（Transfer Learning，TL）是一项允许对现有模型算法进行微调，以应用于新领域或新功能的技术[1]。在迁移学习中，研究人员通常将数据分为源数据和目标数据。源数据指与要解决的任务并不直接相关的其他数据，通常具有较大的数据集。目标数据是与任务直接相关的数据，数据量一般较小。迁移学习的目的是在获取某些附加数据或现有模型的前提下，将通用知识用于新的相关任务，以充分利用源数据来帮助模型提高其在目标数据上的性能，如图1所示。……