論文の概要: A scoping review of transfer learning research on medical image analysis
using ImageNet
- arxiv url: http://arxiv.org/abs/2004.13175v5
- Date: Fri, 13 Nov 2020 18:25:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 05:12:21.885866
- Title: A scoping review of transfer learning research on medical image analysis
using ImageNet
- Title（参考訳）: ImageNetを用いた医用画像解析における転写学習研究のスコーピングレビュー
- Authors: Mohammad Amin Morid, Alireza Borjali, Guilherme Del Fiol
- Abstract要約: 畳み込みニューラルネットワーク(CNN)を用いた伝達学習は、医用画像解析に有望な結果を示している。
本研究は,データ作成,方法論の選択,出力評価に関する文献において,最も一般的な実装の軌跡を明らかにした。
- 参考スコア（独自算出の注目度）: 6.096928581537518
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Employing transfer learning (TL) with convolutional neural
networks (CNNs), well-trained on non-medical ImageNet dataset, has shown
promising results for medical image analysis in recent years. We aimed to
conduct a scoping review to identify these studies and summarize their
characteristics in terms of the problem description, input, methodology, and
outcome. Materials and Methods: To identify relevant studies, MEDLINE, IEEE,
and ACM digital library were searched. Two investigators independently reviewed
articles to determine eligibility and to extract data according to a study
protocol defined a priori. Results: After screening of 8,421 articles, 102 met
the inclusion criteria. Of 22 anatomical areas, eye (18%), breast (14%), and
brain (12%) were the most commonly studied. Data augmentation was performed in
72% of fine-tuning TL studies versus 15% of the feature-extracting TL studies.
Inception models were the most commonly used in breast related studies (50%),
while VGGNet was the common in eye (44%), skin (50%) and tooth (57%) studies.
AlexNet for brain (42%) and DenseNet for lung studies (38%) were the most
frequently used models. Inception models were the most frequently used for
studies that analyzed ultrasound (55%), endoscopy (57%), and skeletal system
X-rays (57%). VGGNet was the most common for fundus (42%) and optical coherence
tomography images (50%). AlexNet was the most frequent model for brain MRIs
(36%) and breast X-Rays (50%). 35% of the studies compared their model with
other well-trained CNN models and 33% of them provided visualization for
interpretation. Discussion: This study identified the most prevalent tracks of
implementation in the literature for data preparation, methodology selection
and output evaluation for medical image analysis. Also, we identified several
critical research gaps existing in the TL studies on medical image analysis.
- Abstract（参考訳）: 目的: 畳み込みニューラルネットワーク(CNN)を用いた伝達学習(TL)を非医療的イメージネットデータセットでよく訓練し,近年,医用画像解析に有望な結果を示している。
我々は,これらの研究を識別し,それらの特徴を問題記述,入力,方法論,結果の観点から要約するスクーピングレビューを行うことを目指していた。
資料と方法:関連する研究を特定するため,medline,ieee,acmデジタルライブラリを検索した。
2人の調査員が独立して論文をレビューし、優先順位を定義した研究プロトコルに従ってデータの抽出を行った。
結果: 8,421項目のスクリーニングの結果,102項目が包含基準を満たした。
22の解剖学的領域のうち、目(18%)、乳房(14%)、脳(12%)が最もよく研究された。
データ拡張は, 微調整TL研究の72%において, 特徴抽出TL研究の15%に対して行われた。
インセプションモデルは乳房関連研究(50%)で、vggnetは目(44%)、皮膚(50%)、歯(57%)でよく使われた。
脳向けAlexNet(42%)と肺研究用DenseNet(38%)が最も頻繁に使用されるモデルである。
インセプションモデルは、超音波(55%)、内視鏡(57%)、骨格系X線(57%)を分析した研究で最も頻繁に用いられた。
vggnet は fundus (42%) と optical coherence tomography (50%) でもっとも一般的であった。
AlexNetは脳MRI(36%)と乳房X線(50%)の最も頻繁なモデルであった。
研究の35%はモデルを他のよく訓練されたCNNモデルと比較し、33%は解釈のための可視化を提供した。
考察:本研究は,医療画像解析のためのデータ準備,方法論の選択,出力評価のための文献において,最も普及している実装の軌跡を明らかにした。
また,医療画像解析におけるTL研究におけるいくつかの重要な研究ギャップを同定した。
関連論文リスト
- Topology and Intersection-Union Constrained Loss Function for Multi-Region Anatomical Segmentation in Ocular Images [5.628938375586146]
眼筋無力症(OMG)は早期に発見される稀かつ困難な疾患である。
現在、この目的のために利用可能なデータセットやツールは存在しない。
我々は,小さなトレーニングデータセットを用いた性能向上を目的とした,新しいトポロジと共役制約付き損失関数(TIU損失)を提案する。
論文 参考訳（メタデータ） (2024-11-01T13:17:18Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - De-identification of clinical free text using natural language
processing: A systematic review of current approaches [48.343430343213896]
自然言語処理は、その非識別プロセスの自動化の可能性を繰り返し示してきた。
本研究の目的は,過去13年間に臨床自由テキストの非識別化が進展したことを示す体系的な証拠を提供することである。
論文 参考訳（メタデータ） (2023-11-28T13:20:41Z) - Artificial intelligence in digital pathology: a diagnostic test accuracy
systematic review and meta-analysis [0.3957768262206625]
この体系的なレビューとメタアナリシスは、あらゆる種類の人工知能を用いた診断精度の研究を含む。
包含物として100の研究が同定され、152,000枚以上のスライド画像 (WSI) に相当し、多くの病型を表わした。
これらの研究では、平均感度は96.3%(CI 94.1-97.7)、平均特異度は93.3%(CI 90.5-95.4)であった。
全体として、AIはWSIに適用した場合に適切な精度を提供するが、そのパフォーマンスをより厳格に評価する必要がある。
論文 参考訳（メタデータ） (2023-06-13T00:45:54Z) - Osteosarcoma Tumor Detection using Transfer Learning Models [0.0]
本稿では,骨肉腫腫瘍検出のための転写学習モデルの性能について検討する。
InceptionResNetV2 は最高精度 (93.29%)、NasNetLarge (90.91%)、ResNet50 (89.83%)、EfficientNetB7 (62.77%) を達成した。
論文 参考訳（メタデータ） (2023-05-16T17:58:29Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳（メタデータ） (2022-08-11T15:16:40Z) - Diagnosis of COVID-19 Using Machine Learning and Deep Learning: A review [0.0]
本稿では、新型コロナウイルス(COVID-19)対策における機械学習(ML)と深層学習(DL)技術の適用について、体系的に検討する。
AI、COVID-19、ML、予測、DL、X線、CT(Computed Tomography)のキーワードに基づいて、440記事の全文レビューを行った。
論文 参考訳（メタデータ） (2021-10-28T06:17:50Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - What is the State of the Art of Computer Vision-Assisted Cytology? A
Systematic Literature Review [47.42354724922676]
現在,細胞診に応用されているコンピュータビジョン技術の現状を明らかにするために,システマティック文献レビューを実施している。
分析された研究で最も使われている方法は深層学習(70論文)であるが、古典的なコンピュータビジョンのみ(101論文)を使用するものは少ない。
結論として,多くの染色に対して高品質なデータセットがまだ存在せず,ほとんどの研究は日常的な臨床診断ルーチンに適用できるほど成熟していない。
論文 参考訳（メタデータ） (2021-05-24T13:50:45Z) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳（メタデータ） (2021-05-24T12:27:06Z) - Deep Learning Body Region Classification of MRI and CT examinations [5.511558765147004]
CTおよびMRIの身体領域を識別するためにCNNベースの分類器が開発された。
AIモデルのトレーニング、検証、テストのために3つのレトロスペクティブデータベースが構築された。
画像レベルの予測精度はCTでは91.9%(90.2～92.1)、MRIでは94.2%(92.0～95.6)であった。
論文 参考訳（メタデータ） (2021-04-28T15:20:21Z)
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。