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
- Developing ChatGPT for Biology and Medicine: A Complete Review of
Biomedical Question Answering [25.569980942498347]
ChatGPTは、医療診断、治療レコメンデーション、その他の医療支援の提供において、QA(QA)の戦略的青写真を探っている。
これは、自然言語処理(NLP)とマルチモーダルパラダイムによる医療領域データの取り込みの増加によって達成される。
論文 参考訳(メタデータ) (2024-01-15T07:21:16Z) - Large-scale Long-tailed Disease Diagnosis on Radiology Images [59.37561810438641]
本研究では,放射線画像における大規模大語彙疾患分類の問題点について検討する。
i)データセット構築では、39,026ケース(192,675スキャン)を含む930のユニークなICD-10-CMコードとリンクした5568の障害を含む、学術的にアクセス可能な大規模診断データセットを構築します。
さらに,本研究の最終モデルは事前学習モデルとして機能し,様々な外部データセットの診断に役立てることができる。
論文 参考訳(メタデータ) (2023-12-26T18:20:48Z) - A Systematic Review of Few-Shot Learning in Medical Imaging [1.2400966570867322]
少ないショットの学習技術は、データの不足を減らし、医療画像分析を強化する。
この体系的なレビューは、医療画像における数ショット学習の概要を包括的に示すものである。
論文 参考訳(メタデータ) (2023-09-20T16:10:53Z) - Federated Learning for Medical Image Analysis: A Survey [18.353410990099594]
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) - Towards Medical Artificial General Intelligence via Knowledge-Enhanced
Multimodal Pretraining [121.89793208683625]
医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。
我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2023-04-26T01:26:19Z) - 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) - Domain Adaptation for Medical Image Analysis: A Survey [28.365579324731247]
医用画像解析で使用される機械学習技術は通常、ソース/参照データとターゲットデータの間の異なる分布に起因するドメインシフト問題に悩まされる。
有望なソリューションとして、ドメイン適応は近年大きな注目を集めています。
この調査により、研究者は現在の状況や課題をよりよく理解できるようになる。
論文 参考訳(メタデータ) (2021-02-18T17:49:08Z) - 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。