論文の概要: Known Operator Learning and Hybrid Machine Learning in Medical Imaging --- A Review of the Past, the Present, and the Future

• arxiv url: http://arxiv.org/abs/2108.04543v1
• Date: Tue, 10 Aug 2021 09:36:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-11 20:21:02.563943
• Title: Known Operator Learning and Hybrid Machine Learning in Medical Imaging --- A Review of the Past, the Present, and the Future
• Title（参考訳）: 医療画像における既知のオペレーター学習とハイブリッド機械学習 ---過去・現在・未来を振り返って-
• Authors: Andreas Maier, Harald K\"ostler, Marco Heisig, Patrick Krauss, Seung Hee Yang
• Abstract要約: 本稿では,医療画像におけるハイブリッド機械学習の現状を概観する。 特に注目されるのは、理論的および実験的エビデンスであるプロとコントラハイブリッドモデリングである。 この記事の終わりに向けて、いくつかの今後の方向性を調査し、ハイブリッドモデリング、メタラーニング、その他のドメインが最先端を推し進めるであろう関連分野を指摘します。
• 参考スコア（独自算出の注目度）: 6.374659039693941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this article, we perform a review of the state-of-the-art of hybrid machine learning in medical imaging. We start with a short summary of the general developments of the past in machine learning and how general and specialized approaches have been in competition in the past decades. A particular focus will be the theoretical and experimental evidence pro and contra hybrid modelling. Next, we inspect several new developments regarding hybrid machine learning with a particular focus on so-called known operator learning and how hybrid approaches gain more and more momentum across essentially all applications in medical imaging and medical image analysis. As we will point out by numerous examples, hybrid models are taking over in image reconstruction and analysis. Even domains such as physical simulation and scanner and acquisition design are being addressed using machine learning grey box modelling approaches. Towards the end of the article, we will investigate a few future directions and point out relevant areas in which hybrid modelling, meta learning, and other domains will likely be able to drive the state-of-the-art ahead.
• Abstract（参考訳）: 本稿では,医療画像におけるハイブリッド機械学習の現状について概観する。 私たちは、機械学習における過去の一般的な展開と、過去数十年における一般的なおよび専門的なアプローチの競合について、簡単な要約から始めます。 特に焦点は、理論と実験の証拠proとcontraのハイブリッドモデリングである。 次に,いわゆる既知のオペレータラーニングに注目したハイブリッド機械学習に関する新たな展開と,医療画像解析や医用画像解析のあらゆる応用において,ハイブリッドアプローチがいかに勢いを増しているかを検証する。 多くの例で指摘するように、ハイブリッドモデルは画像再構成と解析に取って代わられている。 物理シミュレーションやスキャナー、取得設計といったドメインでさえ、機械学習のグレーボックスモデリングアプローチを使って対処されている。 この記事の終わりに向けて、私たちはいくつかの今後の方向性を調査し、ハイブリッドモデリング、メタ学習、その他のドメインが最先端を前進させるであろう関連領域を指摘します。

関連論文リスト

• Automated Ensemble Multimodal Machine Learning for Healthcare [52.500923923797835]
  本稿では,自動機械学習を用いた構造化臨床(タブラル)データと医用画像の統合を実現するマルチモーダルフレームワークAutoPrognosis-Mを紹介する。 AutoPrognosis-Mには、畳み込みニューラルネットワークとビジョントランスフォーマーを含む17のイメージングモデルと、3つの異なるマルチモーダル融合戦略が含まれている。
  論文  参考訳（メタデータ） (2024-07-25T17:46:38Z)
• Endora: Video Generation Models as Endoscopy Simulators [53.72175969751398]
  本稿では,臨床内視鏡シーンをシミュレートする医用ビデオを作成するための革新的な手法であるモデルを紹介する。 また、ビデオ生成モデルを用いた内視鏡シミュレーションのための最初の公開ベンチマークを開拓した。 Endoraは、臨床内視鏡研究のための生成AIの展開において、注目すべきブレークスルーとなる。
  論文  参考訳（メタデータ） (2024-03-17T00:51:59Z)
• BiomedJourney: Counterfactual Biomedical Image Generation by Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
  本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。 我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。 得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
  論文  参考訳（メタデータ） (2023-10-16T18:59:31Z)
• 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)
• Exploring the Power of Generative Deep Learning for Image-to-Image Translation and MRI Reconstruction: A Cross-Domain Review [0.0]
  本研究は,自然画像領域と医用画像領域における画像から画像への変換と再構成に使用される深層学習手法について分析する。 自然コンピュータビジョンの分野では、様々なディープラーニング生成モデルの開発と拡張について検討する。 本稿では, 医用画像翻訳, MRI再構成, マルチコントラストMRI合成などの医療画像生成問題に対する深層学習の可能性について検討する。
  論文  参考訳（メタデータ） (2023-03-16T00:56:30Z)
• MMV_Im2Im: An Open Source Microscopy Machine Vision Toolbox for Image-to-Image Transformation [0.571097144710995]
  バイオイメージングアプリケーションにおける画像・画像変換のための新しいオープンソースpythonパッケージMMV_Im2Imを導入する。 パッケージ全体は汎用的なイメージからイメージへの変換フレームワークで設計されている。 MMV_Im2Imの10種以上の生体医学的問題に対する有効性を示した。
  論文  参考訳（メタデータ） (2022-09-06T13:42:17Z)
• Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
  電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。 機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。 本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
  論文  参考訳（メタデータ） (2022-07-26T02:10:15Z)
• Automatic Image Content Extraction: Operationalizing Machine Learning in Humanistic Photographic Studies of Large Visual Archives [81.88384269259706]
  本稿では,機械学習による大規模画像アーカイブの検索と解析のための自動画像コンテンツ抽出フレームワークを提案する。 提案する枠組みは、人文科学と社会科学のいくつかの分野に適用できる。
  論文  参考訳（メタデータ） (2022-04-05T12:19:24Z)
• A Systematic Benchmarking Analysis of Transfer Learning for Medical Image Analysis [7.339428207644444]
  我々は,最新の大規模きめ細かいデータセットであるiNat2021で事前訓練されたモデルの転送可能性について,系統的研究を行った。 本稿では,医用画像上のイメージネットモデルを継続的に(事前学習)することにより,自然画像と医用画像の領域ギャップを埋める実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T19:08:34Z)
• 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)
• 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)

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。