論文の概要: Self-supervised learning methods and applications in medical imaging analysis: A survey

• arxiv url: http://arxiv.org/abs/2109.08685v1
• Date: Fri, 17 Sep 2021 17:01:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:41:54.636763
• Title: Self-supervised learning methods and applications in medical imaging analysis: A survey
• Title（参考訳）: 医用画像解析における自己教師あり学習法と応用:調査
• Authors: Saeed Shurrab, Rehab Duwiari
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The availability of high quality annotated medical imaging datasets is a major problem that collides with machine learning applications in the field of medical imaging analysis and impedes its advancement. Self-supervised learning is a recent training paradigm that enables learning robust representations without the need for human annotation which can be considered as an effective solution for the scarcity in annotated medical data. This article reviews the state-of-the-art research directions in self-supervised learning approaches for image data with concentration on their applications in the field of medical imaging analysis. The article covers a set of the most recent self-supervised learning methods from the computer vision field as they are applicable to the medical imaging analysis and categorize them as predictive, generative and contrastive approaches. Moreover, the article covers (40) of the most recent researches in the field of self-supervised learning in medical imaging analysis aiming at shedding the light on the recent innovation in the field. Ultimately, the article concludes with possible future research directions in the field.
• Abstract（参考訳）: 高品質な注釈付医用画像データセットが利用できることは、医療画像解析の分野で機械学習アプリケーションと衝突し、その進歩を妨げる主要な問題である。 自己指導型学習は、人間のアノテーションを必要とせず、堅牢な表現を学習できる最近の訓練パラダイムであり、注釈付き医療データの不足に対する効果的な解決策とみなすことができる。 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。 本稿では,コンピュータビジョン分野からの最新の自己教師型学習手法の集合を医療画像解析に適用し,それらを予測的,生成的,コントラスト的アプローチとして分類する。 さらに, 医学画像解析における自己教師あり学習の分野における最近の研究の40点を取り上げ, この分野の最近のイノベーションに光を当てることを目的としている。 最終的に、この記事はこの分野における将来の研究の方向性で締めくくられる。

関連論文リスト

• MLIP: Enhancing Medical Visual Representation with Divergence Encoder and Knowledge-guided Contrastive Learning [48.97640824497327]
  本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。 我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。 特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-02-03T05:48:50Z)
• A comprehensive survey on deep active learning in medical image analysis [23.849628978883707]
  深層学習は医用画像解析において広く成功し、大規模な専門家による医用画像データセットの需要が高まっている。 しかし、医用画像に注釈をつける高コストは、この分野での深層学習の発展を著しく妨げている。 アノテーションのコストを削減するため、アクティブラーニングは、アノテーションの最も有益なサンプルを選択し、できるだけ少ないラベル付きサンプルで高性能モデルを訓練することを目的としている。
  論文  参考訳（メタデータ） (2023-10-22T08:46:40Z)
• 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)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Federated Learning for Medical Image Analysis: A Survey [16.800565615106784]
  医療画像における機械学習は、しばしば基本的なジレンマに直面している。 有望なソリューションとして、クロスサイトデータを共有することなく、さまざまなサイトからのデータに基づいて機械学習モデルの協調トレーニングを可能にするフェデレーション学習が近年注目を集めている。
  論文  参考訳（メタデータ） (2023-06-09T15:46:42Z)
• 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)
• 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)
• Reinforcement Learning in Medical Image Analysis: Concepts, Applications, Challenges, and Future Directions [1.9065960619519515]
  強化学習は近年徐々に勢いを増している。 医学分析分野の多くの研究者は、診療所での理解と展開が難しいと感じている。 本論文は, 医用画像解析研究を強化学習問題として定式化し, 解決する上で, 読者の助けとなるだろう。
  論文  参考訳（メタデータ） (2022-06-28T22:07:17Z)
• 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)
• 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)
• 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)

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。