論文の概要: Recent advances and clinical applications of deep learning in medical
image analysis
- arxiv url: http://arxiv.org/abs/2105.13381v1
- Date: Thu, 27 May 2021 18:05:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-31 13:29:27.741969
- Title: Recent advances and clinical applications of deep learning in medical
image analysis
- Title（参考訳）: 医学画像解析におけるディープラーニングの最近の進歩と臨床応用
- Authors: Xuxin Chen, Ximin Wang, Ke Zhang, Roy Zhang, Kar-Ming Fung, Theresa C.
Thai, Kathleen Moore, Robert S. Mannel, Hong Liu, Bin Zheng, Yuchen Qiu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.132678647070632
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has become the mainstream technology in computer vision, and it
has received extensive research interest in developing new medical image
processing algorithms to support disease detection and diagnosis. As compared
to conventional machine learning technologies, the major advantage of deep
learning is that models can automatically identify and recognize representative
features through the hierarchal model architecture, while avoiding the
laborious development of hand-crafted features. In this paper, we reviewed and
summarized more than 200 recently published papers to provide a comprehensive
overview of applying deep learning methods in various medical image analysis
tasks. Especially, we emphasize the latest progress and contributions of
state-of-the-art unsupervised and semi-supervised deep learning in medical
images, which are summarized based on different application scenarios,
including lesion classification, segmentation, detection, and image
registration. Additionally, we also discussed the major technical challenges
and suggested the possible solutions in future research efforts.
- Abstract（参考訳）: 深層学習はコンピュータビジョンの主流技術となり、疾患の検出と診断を支援する新しい医用画像処理アルゴリズムの開発に多大な研究関心を集めている。
従来の機械学習技術と比較して、ディープラーニングの大きな利点は、手作りの機能の開発の手間を省きながら、階層型モデルアーキテクチャを通じて、モデルが代表的特徴を自動的に識別し認識できることである。
本稿では,200件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について概観する。
特に, 病変分類, セグメンテーション, 検出, 画像登録など, さまざまな応用シナリオに基づいて要約した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。
さらに、技術的な課題についても議論し、今後の研究で考えられる解決策を提案しました。
関連論文リスト
- A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。
新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
論文 参考訳（メタデータ） (2022-12-06T05:30:22Z) - Computer Vision on X-ray Data in Industrial Production and Security
Applications: A survey [89.45221564651145]
本稿では,コンピュータビジョンと機械学習を用いた産業生産およびセキュリティアプリケーションにおけるX線分析に関する最近の研究をレビューする。
公開されているデータセット上でのアプリケーション、テクニック、評価メトリクス、データセット、それらのテクニックのパフォーマンス比較をカバーしている。
論文 参考訳（メタデータ） (2022-11-10T13:37:36Z) - Towards Label-efficient Automatic Diagnosis and Analysis: A
Comprehensive Survey of Advanced Deep Learning-based Weakly-supervised,
Semi-supervised and Self-supervised Techniques in Histopathological Image
Analysis [17.22614309681354]
病理像は, 疾患診断における金の基準である, 表現型情報や病理パターンが豊富である。
畳み込みニューラルネットワークで表現されるディープラーニングは、デジタル病理学の分野で徐々に主流になりつつある。
本稿では,コンピュータ病理学分野における弱教師付き学習,半教師付き学習,自己教師型学習に関する最新の研究を包括的かつ体系的に概説する。
論文 参考訳（メタデータ） (2022-08-18T11:49:41Z) - Self-supervised learning methods and applications in medical imaging
analysis: A survey [0.0]
本稿では,医用画像解析分野における画像データへの自己教師付き学習アプローチの最先端研究の方向性について概説する。
この論文は、医療画像解析における自己教師型学習の分野における最新の研究の40点を取り上げ、その分野における最近のイノベーションの光を隠蔽することを目的としている。
論文 参考訳（メタデータ） (2021-09-17T17:01:42Z) - Medical Imaging and Machine Learning [16.240472115235253]
2018年に国立衛生研究所は、医療画像における人工知能の未来における重要な焦点領域を特定した。
データ可用性、新しいコンピューティングアーキテクチャと説明可能なAIアルゴリズムの必要性は、いまだに関係している。
本稿では,高次元臨床画像データに特有の課題について考察するとともに,技術的・倫理的考察を紹介する。
論文 参考訳（メタデータ） (2021-03-02T18:53:39Z) - 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) - 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) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳（メタデータ） (2020-10-07T08:36:44Z) - A review of deep learning in medical imaging: Imaging traits, technology
trends, case studies with progress highlights, and future promises [27.16172003905426]
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。
論文 参考訳（メタデータ） (2020-08-02T14:26:13Z) - Image Segmentation Using Deep Learning: A Survey [58.37211170954998]
イメージセグメンテーションは、画像処理とコンピュータビジョンにおいて重要なトピックである。
深層学習モデルを用いた画像セグメンテーション手法の開発を目的とした研究が,これまでに数多く行われている。
論文 参考訳（メタデータ） (2020-01-15T21:37:47Z) - Deep neural network models for computational histopathology: A survey [1.2891210250935146]
深層学習は がん組織像の分析と解釈において 主流の方法論選択となりました
本稿では,現在使われている最先端の深層学習手法について概説する。
私たちは、現在のディープラーニングアプローチにおける重要な課題と制限と、将来の研究への道のりを強調します。
論文 参考訳（メタデータ） (2019-12-28T01:04:25Z)
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。