論文の概要: Anomaly Detection in Medical Imaging -- A Mini Review

• arxiv url: http://arxiv.org/abs/2108.11986v1
• Date: Wed, 25 Aug 2021 11:45:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-30 23:48:16.749585
• Title: Anomaly Detection in Medical Imaging -- A Mini Review
• Title（参考訳）: 医用画像における異常検出 --ミニレビュー-
• Authors: Maximilian E. Tschuchnig and Michael Gadermayr
• Abstract要約: 本稿では,医療画像における関連異常検出論文の半発掘文献レビューを用いて,アプリケーションをクラスタリングする。 主な結果は、ラベル付きデータの必要性を減らすことで、現在の研究が主に動機付けされていることを示している。 また、脳MRI領域における多くの研究が成功し、OCTや胸部X線といったさらなる領域への応用の可能性を示している。
• 参考スコア（独自算出の注目度）: 0.8122270502556374
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The increasing digitization of medical imaging enables machine learning based improvements in detecting, visualizing and segmenting lesions, easing the workload for medical experts. However, supervised machine learning requires reliable labelled data, which is is often difficult or impossible to collect or at least time consuming and thereby costly. Therefore methods requiring only partly labeled data (semi-supervised) or no labeling at all (unsupervised methods) have been applied more regularly. Anomaly detection is one possible methodology that is able to leverage semi-supervised and unsupervised methods to handle medical imaging tasks like classification and segmentation. This paper uses a semi-exhaustive literature review of relevant anomaly detection papers in medical imaging to cluster into applications, highlight important results, establish lessons learned and give further advice on how to approach anomaly detection in medical imaging. The qualitative analysis is based on google scholar and 4 different search terms, resulting in 120 different analysed papers. The main results showed that the current research is mostly motivated by reducing the need for labelled data. Also, the successful and substantial amount of research in the brain MRI domain shows the potential for applications in further domains like OCT and chest X-ray.
• Abstract（参考訳）: 医療画像のデジタル化が進むと、機械学習による病変の検出、可視化、セグメント化が改善され、医療専門家の作業負荷が軽減される。 しかしながら、教師付き機械学習には信頼性の高いラベル付きデータが必要であり、収集が困難、あるいは不可能、あるいは少なくとも時間を要するためコストがかかることが多い。 そのため、部分的にラベル付けされたデータのみを必要とする手法(半教師なし)や全くラベル付けを行わない手法(非教師なし)が、より定期的に適用されている。 異常検出は、半教師あり、教師なしの手法を利用して、分類やセグメンテーションのような医療画像のタスクを処理できる1つの方法である。 本稿では,医用画像における関連異常検出論文を概説し,アプリケーションへのクラスタ化,重要な成果の強調,学習の確立,医用画像における異常検出へのアプローチに関するさらなるアドバイスを行う。 質的分析は、google scholarと4つの異なる検索用語に基づいており、120の異なる分析論文が得られた。 主な結果は、現在の研究が主にラベル付きデータの必要性を減らすことが動機であることを示している。 また、脳MRI領域における多くの研究が成功し、OCTや胸部X線といったさらなる領域への応用の可能性を示している。

関連論文リスト

• MedIAnomaly: A comparative study of anomaly detection in medical images [26.319602363581442]
  異常検出(AD)は、期待される正常なパターンから逸脱する異常なサンプルを検出することを目的としている。 医療用AD法は多岐にわたるが, 公平かつ包括的評価の欠如が指摘されている。 本稿では,比較を統一したベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-04-06T06:18:11Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• A Systematic Review of Few-Shot Learning in Medical Imaging [1.049712834719005]
  少ないショットの学習技術は、データの不足を減らし、医療画像分析を強化する。 この体系的なレビューは、医療画像における数ショット学習の概要を包括的に示すものである。
  論文  参考訳（メタデータ） (2023-09-20T16:10:53Z)
• BMAD: Benchmarks for Medical Anomaly Detection [51.22159321912891]
  異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題である。 医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。 医用画像の異常検出方法を評価するための総合評価ベンチマークを導入する。
  論文  参考訳（メタデータ） (2023-06-20T20:23:46Z)
• Weakly Supervised Learning Significantly Reduces the Number of Labels Required for Intracranial Hemorrhage Detection on Head CT [7.713240800142863]
  マシンラーニングパイプライン、特にディープラーニング(DL)モデルに基づくパイプラインは、大量のラベル付きデータを必要とする。 本研究は,脳CTにおける頭蓋内出血検出の課題に対して,どのようなラベルを収集すべきか,という課題について考察する。 強い監督(ローカルな画像レベルのアノテーションで学ぶこと)と弱い監督(グローバルな検査レベルのラベルだけで学ぶこと)は同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-11-29T04:42:41Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• 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)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Unsupervised Anomaly Detection for X-Ray Images [4.353258086186526]
  本研究では,手指X線画像の評価において,異常のない画像で訓練された教師なしの方法を用いて,医師を支援する方法について検討する。 我々は、教師なし学習に最先端のアプローチを採用し、異常を検出し、これらの手法の出力がどのように説明できるかを示す。 実世界のX線画像のデータセット上で,ラベルがなくても満足な結果が得られることを実証的に示す。
  論文  参考訳（メタデータ） (2020-01-29T15:14:56Z)

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。