Medical image diagnosing is a domain of medicine which has proven suitable for automation through machine learning. Automation would reduce cost and increase efficiency, making healthcare more widely available and decreasing the time needed to arrive at a diagnosis. One limiting aspect of this automation is the amount of available data needed for training. Transfer learning is a technique used to mitigate the negative effects of limited data. In this thesis the effects of using transfer learning on performance was examined on three different datasets: APTOS2019, ISIC2019, and PatchCamelyon. Results showed that on two of the three datasets (APTOS2019, ISIC2019), pretraining had a significant positive impact on performance. On the PatchCamelyon dataset, pretraining had a small positive impact on performance. The relatively small performance gain on PatchCamelyon can be understood by the large size of the dataset.

Medicinsk bilddiagnostik är en domän inom medicin som har visat sig lämplig för automatisering genom maskininlärning. Automatisering skulle minska kostnaderna och öka effektiviteten inom sjukvård, vilket i sin tur skulle göra sjukvård mer tillgänglig samt minska tiden som behövs för att komma fram till en diagnos. En begränsande aspekt av denna automatisering är mängden tillgänglig data som behövs för träning. Transfer learning är en teknik som används för att reducera de negativa effekterna av begränsad data. I detta arbete undersöktes effekterna på prestanda av att använda transfer learning med avseende på tre olika dataset: APTOS2019, ISIC2019 och PatchCamelyon. Resultaten visade att pretraining hade en signifikant positiv inverkan på två av tre dataset (APTOS2019, ISIC2019). På PatchCamelyon hade pretraining en knapp positiv inverkan på prestandan. Den relativt marginella prestandavinsten på PatchCamelyon kan förklaras av datasetets omfattande storlek.