論文の概要: Domain Adaptation for Medical Image Analysis: A Survey

• arxiv url: http://arxiv.org/abs/2102.09508v1
• Date: Thu, 18 Feb 2021 17:49:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-19 23:36:30.481037
• Title: Domain Adaptation for Medical Image Analysis: A Survey
• Title（参考訳）: 医用画像解析のためのドメイン適応:調査
• Authors: Hao Guan, Mingxia Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 28.365579324731247
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning techniques used in computer-aided medical image analysis usually suffer from the domain shift problem caused by different distributions between source/reference data and target data. As a promising solution, domain adaptation has attracted considerable attention in recent years. The aim of this paper is to survey the recent advances of domain adaptation methods in medical image analysis. We first present the motivation of introducing domain adaptation techniques to tackle domain heterogeneity issues for medical image analysis. Then we provide a review of recent domain adaptation models in various medical image analysis tasks. We categorize the existing methods into shallow and deep models, and each of them is further divided into supervised, semi-supervised and unsupervised methods. We also provide a brief summary of the benchmark medical image datasets that support current domain adaptation research. This survey will enable researchers to gain a better understanding of the current status, challenges.
• Abstract（参考訳）: コンピュータ支援医療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領域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。 本研究の目的は,医用画像解析における領域適応手法の最近の進歩を調査することである。 まず,医療画像解析におけるドメイン異質性問題に取り組むために,ドメイン適応手法を導入する動機について述べる。 次に,様々な医用画像解析タスクにおける最近のドメイン適応モデルについて概観する。 既存の手法を浅層モデルと深層モデルに分類し,それぞれを教師付き,半教師付き,教師なしの2つの手法に分類する。 また、現在の領域適応研究をサポートするベンチマーク医療画像データセットの概要も紹介する。 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。

関連論文リスト

• A Survey on Domain Generalization for Medical Image Analysis [9.410880477358942]
  MedIAのドメイン一般化は、未知のデータ分散を効果的に一般化し、堅牢に実行することで、ドメインシフトの課題に対処することを目的としている。 医療分野におけるドメインシフトとドメイン一般化の正式な定義を提供し、関連するいくつかの設定について議論する。 データ操作レベル,特徴表現レベル,モデルトレーニングレベルという3つの視点から,最近の手法を要約し,いくつかのアルゴリズムを詳細に提示する。
  論文  参考訳（メタデータ） (2024-02-07T17:08:27Z)
• Medical Image Segmentation with Domain Adaptation: A Survey [0.38979646385036165]
  本稿では,DLに基づく医用画像セグメンテーションのためのドメイン適応アプローチについて述べる。 まず、まず、ドメイン適応の基礎となるモチベーションと背景知識を示し、医用画像のセグメンテーションにおけるドメイン適応の適用についてレビューする。 我々の目標は、医用画像分割研究における領域適応の適用について、研究者に最新のリファレンスを提供することであった。
  論文  参考訳（メタデータ） (2023-11-03T04:17:06Z)
• Domain Generalization for Medical Image Analysis: A Survey [13.34575578242635]
  本稿では,MedIAに適した領域一般化研究を包括的にレビューする。 ドメイン一般化手法を,データレベル,特徴レベル,モデルレベル,分析レベルに分類する。 データ取得からモデル予測,解析に至るまで,これらの手法がMedIAワークフローの様々な段階においてどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2023-10-05T09:31:58Z)
• Deep learning for unsupervised domain adaptation in medical imaging: Recent advancements and future perspectives [13.160616423673375]
  専門的な観点から,最近の医用画像の深部UDAアプローチに関する総合的な文献レビューを行う。 医用画像における現在のUDA研究は、6つのグループに分類し、それらが実行するさまざまなタスクに基づいて、さらに細かなサブカテゴリに分類する。
  論文  参考訳（メタデータ） (2023-07-18T08:24:41Z)
• Survey on Adversarial Attack and Defense for Medical Image Analysis: Methods and Challenges [64.63744409431001]
  医療画像解析における敵攻撃・防衛の進歩に関する総合的な調査を報告する。 公正な比較のために、逆向きに堅牢な診断モデルのための新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2023-03-24T16:38:58Z)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction [61.58601145792065]
  我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。 私たちのアプローチは既存のドメイン戦略よりも優れています。
  論文  参考訳（メタデータ） (2021-07-20T09:44:07Z)
• 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)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)

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。