We then fine-tune on a much smaller

We then fine-tune on a much smaller dataset consisting only of 20 contrast enhanced CT images from the Visceral Challenge dataset4 (Jimenez-del Toro et al., 2016), but with substantially more anatomical structures labeled in each image (20 in total). This fine-tuning process across different datasets is illustrated in Fig. 9 with some ground truth label examples used for pre-training and fine-tuning. In fine-tuning, we use a 10 times smaller learning rate. We furthermore test our models on a completely unseen data collection of 10 torso CT images with 8 labels, including organs that were not labeled in the original abdominal dataset, e.g. the kidneys and lungs. A probabilistic output for kidney (not in the pre-training dataset) from our model is shown in Fig. 10.

結果 (繁體中文) 1:

從內臟挑戰dataset4僅由20對比增強CT圖像小得多的數據集，我們再微調（Jimenez的-托羅等人，2016），但與（共20個）標記的每個圖像中的顯著更多的解剖結構。這在不同的數據集的微調過程示於圖9與用於預培養和微調一些地面實況標籤的例子。在微調，我們使用了10倍，而學習速率。我們另外有8個標籤，包括那些沒有在原來的腹部數據集標記的器官，如腎臟和肺上測試的10完全看不見的數據收集軀幹CT圖像我們的模型。對於腎臟的概率輸出（未在預訓練數據集）從我們的模型示於圖10。

結果 (繁體中文) 2:

然後，我們根據一個更小的資料集進行微調，該資料集僅包含來自 Visceral 挑戰資料集 4（Jimenez-del Toro 等人，2016 年）中的 20 個對比度增強的 CT 圖像，但每個圖像中標記的解剖結構要大得多（共 20 個）。圖 9 說明了不同資料集的這種微調過程，其中顯示了一些用於預訓練和微調的地面真實標籤示例。在微調中，我們使用的學習速率是小 10 倍。此外，我們還在完全看不見的資料收集上測試我們的模型，這些圖像包含 8 個標籤，包括原始腹部資料集中未標記的器官，例如腎臟和肺。圖10顯示了我們模型中腎臟（不在訓練前資料集中）的概率輸出。

結果 (繁體中文) 3:

然後，我們對一個更小的數据集進行微調，該數据集僅包含來自內臟挑戰數据集4（Jimenez del Toro等人，2016年）的20張增强CT影像，但每張影像中標記的解剖結構要多得多（總共20張）。在圖9中示出了跨不同數据集的微調過程，一些用於預訓練和微調的地面真值標籤示例。在微調中，我們使用的學習率是原來的10倍。此外，我們在一個完全看不見的10個軀幹CT影像（8個標籤）的數據集合上測試我們的模型，包括原始腹部數據集中未標記的器官，例如腎臟和肺。從我們的模型中得到的腎臟概率輸出（不在預訓練數據集中）如圖10所示。