論文の概要: A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises

• arxiv url: http://arxiv.org/abs/2008.09104v2
• Date: Fri, 5 Mar 2021 13:17:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 19:55:53.161563
• Title: A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises
• Title（参考訳）: 医用画像における深層学習の展望 : イメージング特性,技術動向,進歩ハイライトを用いたケーススタディ,将来への約束
• Authors: S. Kevin Zhou, Hayit Greenspan, Christos Davatzikos, James S. Duncan, Bram van Ginneken, Anant Madabhushi, Jerry L. Prince, Daniel Rueckert, Ronald M. Summers
• Abstract要約: 医用画像の特徴を最初に提示し,臨床ニーズと医用画像の技術的課題の両方を強調した。 次に, デジタル診断, 胸部, 脳, 心血管, 腹部画像検査など, 臨床現場で一般的に見られるいくつかの症例について報告する。
• 参考スコア（独自算出の注目度）: 27.16172003905426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since its renaissance, deep learning has been widely used in various medical imaging tasks and has achieved remarkable success in many medical imaging applications, thereby propelling us into the so-called artificial intelligence (AI) era. It is known that the success of AI is mostly attributed to the availability of big data with annotations for a single task and the advances in high performance computing. However, medical imaging presents unique challenges that confront deep learning approaches. In this survey paper, we first present traits of medical imaging, highlight both clinical needs and technical challenges in medical imaging, and describe how emerging trends in deep learning are addressing these issues. We cover the topics of network architecture, sparse and noisy labels, federating learning, interpretability, uncertainty quantification, etc. Then, we present several case studies that are commonly found in clinical practice, including digital pathology and chest, brain, cardiovascular, and abdominal imaging. Rather than presenting an exhaustive literature survey, we instead describe some prominent research highlights related to these case study applications. We conclude with a discussion and presentation of promising future directions.
• Abstract（参考訳）: そのルネッサンス以来、深層学習は様々な医用画像タスクで広く使われ、多くの医療用画像アプリケーションで顕著な成功を収め、いわゆる人工知能(AI)時代へと追いやられてきた。 AIの成功は主に、単一のタスクに対するアノテーションと高性能コンピューティングの進歩によるビッグデータの可用性に起因することが知られている。 しかし、医用画像は深層学習に直面する固有の課題を呈している。 本稿では,まず医療画像の特徴について紹介し,医療画像における臨床ニーズと技術的課題を強調するとともに,これらの課題に対するディープラーニングの新たなトレンドについて述べる。 本稿では,ネットワークアーキテクチャ,スパースラベル,ノイズラベル,フェデレーション学習,解釈可能性,不確実性定量化などについて述べる。 そこで我々は, デジタル診断と胸部, 脳, 心血管, 腹部画像など, 臨床で一般的に見られるいくつかの症例について報告する。 文献調査を徹底的に実施する代わりに,これらのケーススタディの応用に関する注目すべき研究要点を述べる。 今後の方向性に関する議論とプレゼンテーションで締めくくります。

関連論文リスト

• Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
  本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。 我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
  論文  参考訳（メタデータ） (2024-09-13T10:19:10Z)
• Artificial General Intelligence for Medical Imaging Analysis [92.3940918983821]
  大規模人工知能(AGI)モデルは、様々な汎用ドメインタスクにおいて前例のない成功を収めた。 これらのモデルは、医学分野固有の複雑さとユニークな特徴から生じる顕著な課題に直面している。 このレビューは、医療画像、医療などにおけるAGIの将来的な意味についての洞察を提供することを目的としている。
  論文  参考訳（メタデータ） (2023-06-08T18:04:13Z)
• Machine Unlearning: A Survey [56.79152190680552]
  プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。 この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。 この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。 この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
  論文  参考訳（メタデータ） (2023-06-06T10:18:36Z)
• Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
  本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。 本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。 私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
  論文  参考訳（メタデータ） (2022-09-21T12:30:05Z)
• Explainable Deep Learning Methods in Medical Image Classification: A Survey [0.0]
  最先端のディープラーニングモデルは、異なるタイプの医療データの分類において、人間レベルの精度を達成した。 これらのモデルは、主に解釈可能性の欠如のために、臨床ではほとんど採用されていない。 ディープラーニングモデルのブラックボックス性は、これらのモデルの意思決定プロセスを説明するための戦略を考案する必要性を高めている。
  論文  参考訳（メタデータ） (2022-05-10T09:28:14Z)
• 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)
• Catalyzing Clinical Diagnostic Pipelines Through Volumetric Medical Image Segmentation Using Deep Neural Networks: Past, Present, & Future [0.0]
  本稿では,最先端(sota)ニューラルネットワークに基づくセグメンテーションアルゴリズムについて概説する。 また、効果的なディープラーニングベースのソリューションの臨床的意義を示す。
  論文  参考訳（メタデータ） (2021-03-27T19:05:11Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Deep learning for photoacoustic imaging: a survey [4.877447414423669]
  深層人工知能ニューラルネットワークは、2009年に確立された他の成熟モデルを上回っ始めた。 ディープニューラルネットワークは、医療画像技術、医療データ分析、医療診断、その他の医療問題において大きな可能性を秘めている。 このレビューの目的は3つある: (i) 深層学習をいくつかの重要な基礎で導入すること、 (ii) 深層学習を光音響画像の生態的連鎖全体に適用する最近の研究、(iii) 画像再構成から疾患診断まで、そして (iii) 深層学習を光音響画像に適用することに興味のある研究者にいくつかのオープンソース資料やその他のリソースを提供することである。
  論文  参考訳（メタデータ） (2020-08-10T15:53:30Z)
• Medical Image Registration Using Deep Neural Networks: A Comprehensive Review [1.2425910171551517]
  ディープニューラルネットワークを用いた医用画像登録に関する最新の文献を紹介する。 レビューは体系的であり、以前この分野で出版されたすべての関連作品を含んでいる。 このレビューは、最先端の文献を調査し、将来的な文献に貢献しようとする、現場で活動している読者の深い理解と洞察を可能にする。
  論文  参考訳（メタデータ） (2020-02-09T17:22:05Z)

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。