Executive Secretary
III International Symposium on “Generation and Transfer of Knowledge for Digital Transformation
SITIC 2025
Abstract
Problem: With the increasing adoption of deep learning in medical imaging, convolutional neural networks (CNNs) have become pivotal in automating the detection of pathologies such as pulmonary vascular anomalies (VAs). Transfer learning (TL) and fine-tuning (FT) are widely used to adapt pre-trained models to specific tasks, but their comparative efficacy in detecting VAs remains understudied. This work evaluates three CNN architectures under distinct training strategies to determine the optimal balance between performance and computational efficiency.
Objective(s): To compare the performance of three CNNs for detecting pulmonary VAs using different training strategies.
Methodology: The training set consisted of 13,400 chest X-ray images: 6,700 pathological images and 6,700 normal images. The test set consisted of 2,200 images, 1,100 images from each class. VAs detection was performed using the ResNet50V2, EfficientNet V2B0 and MobileNet_V3architectures. Three training strategies were tested: Full-model training: Update all weights, transfer learning: freeze backbone, retrain final layer, and fine tuning: Partially update intermediate layers. The performance of the models was analyzed in terms of accuracy and loss, as well as the computational cost of each training session.
Results and discussion: All models achieved accuracy values close to 94% using full-model strategy but it is more time consuming and required higher quantity of images. Using TL, the model's accuracy was reduced by about 2% however FT improved accuracy over TL while maintaining moderate resource use without the necessity of full-model training.
Conclusions: The selection between these models will depend on which aspect: accuracy, precision, or convergence is desired to optimize.
Resumen
Problemática: Con el auge del aprendizaje profundo y las redes convolucionales (CNN) es común utilizar técnicas de transferencia de aprendizaje (TL) y ajuste fino (FT) para adaptar modelos entrenados en grandes bases de datos a casos particulares. En este trabajo entrenaremos tres CNNs como detector de anomalías vasculares (AV) en la raíz de los pulmones.
Objetivo(s): Comparar el desempeño de tres CNN en la detección de AV pulmonares con diferentes estrategias de entrenamiento.
Metodología: El conjunto de entrenamiento consistió en 13.400 imágenes de Rx-tórax, 6.700 patológicas y 6.700 normales. El conjunto de prueba fue de 2.200 imágenes, 1.100 imágenes de cada clase. La detección de AV se realizó mediante las arquitecturas ResNet 50V2, EfficientNet V2B0 y MobileNet_V3. Se probaron tres estrategias de entrenamiento: variando los pesos del modelo completo, variando solo los pesos de la última capa adaptada al problema específico (TL), y variando el número de capas internas del modelo que pueden adaptar sus pesos (FT). Se analizó el comportamiento de los modelos en cuanto a la exactitud y la perdida y en cuanto al costo computacional de cada entrenamiento.
Resultados y discusión: Todos los modelos alcanzan valores de exactitud cercana al 94 % entrenando el modelo completo, pero esta estrategia es la que más tiempo y cantidad de imágenes requiere. Utilizando TL la exactitud del modelo se reduce cerca de un 2% pero al entrenar con FT los modelos aumentan la exactitud.
Conclusiones: La selección entre estos modelos dependerá que aspecto se desea optimizar exactitud, precisión o convergencia.
About The Speaker
Dr. Yusely Ruiz Gonzalez
Discussion