論文の概要: A Survey on Incorporating Domain Knowledge into Deep Learning for Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2004.12150v4
• Date: Mon, 8 Feb 2021 06:55:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 22:10:28.790477
• Title: A Survey on Incorporating Domain Knowledge into Deep Learning for Medical Image Analysis
• Title（参考訳）: 医用画像解析のための深層学習へのドメイン知識の導入に関する調査
• Authors: Xiaozheng Xie, Jianwei Niu, Xuefeng Liu, Zhengsu Chen, Shaojie Tang and Shui Yu
• Abstract要約: 医療データセットの小型化は、ディープラーニングにおいて依然として大きなボトルネックとなっている。 従来のアプローチでは、移動学習を通じて自然画像からの情報を活用していた。 近年の研究では、医師の知識を活用して、医師の訓練方法に似たネットワークを構築している。
• 参考スコア（独自算出の注目度）: 38.90186125141749
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although deep learning models like CNNs have achieved great success in medical image analysis, the small size of medical datasets remains a major bottleneck in this area. To address this problem, researchers have started looking for external information beyond current available medical datasets. Traditional approaches generally leverage the information from natural images via transfer learning. More recent works utilize the domain knowledge from medical doctors, to create networks that resemble how medical doctors are trained, mimic their diagnostic patterns, or focus on the features or areas they pay particular attention to. In this survey, we summarize the current progress on integrating medical domain knowledge into deep learning models for various tasks, such as disease diagnosis, lesion, organ and abnormality detection, lesion and organ segmentation. For each task, we systematically categorize different kinds of medical domain knowledge that have been utilized and their corresponding integrating methods. We also provide current challenges and directions for future research.
• Abstract（参考訳）: cnnsのようなディープラーニングモデルは医用画像解析で大きな成功を収めているが、この領域では小規模の医療データセットが依然として大きなボトルネックとなっている。 この問題に対処するため、研究者は現在の医療データセットを超える外部情報を探し始めた。 伝統的なアプローチは一般的に、移動学習を通じて自然画像からの情報を活用する。 近年の研究では、医師の知識を活用し、医師の訓練方法に似たネットワークを構築したり、診断パターンを模倣したり、特定の注意を払っている特徴や領域に注目したりしている。 本研究は, 疾患診断, 病変, 臓器異常検出, 病変, 臓器セグメント化など, 様々なタスクのための深層学習モデルへの医療領域知識の統合に関する最近の進歩をまとめたものである。 それぞれの課題に対して,活用されている医学領域の知識とそれに対応する統合手法を体系的に分類する。 今後の研究の課題や方向性も提供する。

関連論文リスト

• Deep Learning Applications in Medical Image Analysis: Advancements, Challenges, and Future Directions [0.0]
  人工知能のサブセットであるディープラーニングの最近の進歩は、医療画像の分析に大きな革命をもたらした。 CNNは多次元医用画像から自律的に学習する能力に顕著な能力を示した。 これらのモデルは、病理学、放射線学、眼科、心臓学など、様々な医学分野に利用されてきた。
  論文  参考訳（メタデータ） (2024-10-18T02:57:14Z)
• A Textbook Remedy for Domain Shifts: Knowledge Priors for Medical Image Analysis [48.84443450990355]
  ディープネットワークは、医学的なスキャンに適用すると、例外のない状況で失敗することが多いため、自然画像の解析において広く成功している。 胸部X線や皮膚病変画像の文脈において、異なる病院から採取したデータや、性別、人種などの人口統計学的変数によって構築されたデータなど、ドメインシフトに対するモデル感度に焦点をあてる。 医学教育からインスピレーションを得て,自然言語で伝達される明示的な医学知識を基盤としたディープネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T17:55:02Z)
• Continual Learning in Medical Imaging: A Survey and Practical Analysis [0.7794090852114541]
  連続学習は、ニューラルネットワークにおける過去の学習を忘れずに、新しい知識のシーケンシャルな獲得を可能にするという約束を提供する。 医学領域における継続的な学習に関する最近の文献を概観し、最近の傾向を概説し、実際的な問題点を指摘する。 医療画像における継続的な学習の現状を批判的に論じる。
  論文  参考訳（メタデータ） (2024-05-22T09:48:04Z)
• A Survey of Deep Learning-based Radiology Report Generation Using Multimodal Data [41.8344712915454]
  自動放射線診断レポート生成は、医師の作業負荷を軽減し、医療資源の地域格差を最小限にすることができる。 マルチモーダル入力データから情報を得るためには、医師を模倣する計算モデルが必要であるため、これは難しい課題である。 近年, トランスフォーマー, コントラスト学習, 知識ベース構築など, 深層学習に基づく手法を用いてこの問題に対処する研究が進められている。 本調査では,最新の研究で開発された重要な手法を要約し,ディープラーニングに基づくレポート生成のための一般的なワークフローを提案する。
  論文  参考訳（メタデータ） (2024-05-21T14:37:35Z)
• Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
  本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。 特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。 また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
  論文  参考訳（メタデータ） (2024-04-27T05:03:42Z)
• Federated Learning for Medical Image Analysis: A Survey [16.800565615106784]
  医療画像における機械学習は、しばしば基本的なジレンマに直面している。 有望なソリューションとして、クロスサイトデータを共有することなく、さまざまなサイトからのデータに基づいて機械学習モデルの協調トレーニングを可能にするフェデレーション学習が近年注目を集めている。
  論文  参考訳（メタデータ） (2023-06-09T15:46:42Z)
• Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
  本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。 実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
  論文  参考訳（メタデータ） (2021-06-13T03:56:59Z)
• Recent advances and clinical applications of deep learning in medical image analysis [7.132678647070632]
  我々は最近200以上の論文をレビュー・要約し、様々な医用画像解析タスクにおける深層学習手法の適用の概要を概観した。 特に,医用画像における最先端の非教師あり半教師あり深層学習の進歩と貢献を強調した。
  論文  参考訳（メタデータ） (2021-05-27T18:05:12Z)
• Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
  病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。 これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。 テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T20:05:35Z)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。