論文の概要: A Review on Deep-Learning Algorithms for Fetal Ultrasound-Image Analysis

• arxiv url: http://arxiv.org/abs/2201.12260v1
• Date: Fri, 28 Jan 2022 17:22:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-31 15:00:49.242144
• Title: A Review on Deep-Learning Algorithms for Fetal Ultrasound-Image Analysis
• Title（参考訳）: 胎児超音波画像解析のための深層学習アルゴリズムの検討
• Authors: Maria Chiara Fiorentino and Francesca Pia Villani and Mariachiara Di Cosmo and Emanuele Frontoni and Sara Moccia
• Abstract要約: 本稿は、2017年以降に出版された研究論文145件について、この分野における最新の研究状況について調査する。 本論文は, (i) 胎児標準平面検出, (ii) 解剖学的構造解析, (iii) バイオメトリパラメーター推定で分類した。 本稿では、胎児のUS画像解析のためのDLアルゴリズムに関する技術の現状を批判的に要約する。
• 参考スコア（独自算出の注目度）: 5.512295869673148
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep-learning (DL) algorithms are becoming the standard for processing ultrasound (US) fetal images. Despite a large number of survey papers already present in this field, most of them are focusing on a broader area of medical-image analysis or not covering all fetal US DL applications. This paper surveys the most recent work in the field, with a total of 145 research papers published after 2017. Each paper is analyzed and commented on from both the methodology and application perspective. We categorized the papers in (i) fetal standard-plane detection, (ii) anatomical-structure analysis, and (iii) biometry parameter estimation. For each category, main limitations and open issues are presented. Summary tables are included to facilitate the comparison among the different approaches. Publicly-available datasets and performance metrics commonly used to assess algorithm performance are summarized, too. This paper ends with a critical summary of the current state of the art on DL algorithms for fetal US image analysis and a discussion on current challenges that have to be tackled by researchers working in the field to translate the research methodology into the actual clinical practice.
• Abstract（参考訳）: 深層学習(DL)アルゴリズムは超音波(US)胎児画像処理の標準となっている。 この分野にはすでに多くの調査論文が存在しているが、そのほとんどは、胎児のdlアプリケーションをすべてカバーしていないか、医療画像分析の広い領域に焦点を当てている。 本稿は,2017年以降に145の研究論文を出版し,この分野の最新研究を概観する。 各論文は方法論とアプリケーションの観点から分析され、コメントされる。 私たちは論文を分類した (i)胎児の標準航空機検出 (ii)解剖学的構造解析、及び (iii)バイオメトリパラメータ推定。 各カテゴリに対して、主な制限とオープンイシューが提示される。 概要表は、異なるアプローチの比較を容易にするために含まれます。 アルゴリズムのパフォーマンスを評価するために一般的に使用される公開データセットとパフォーマンスメトリクスも要約されている。 本稿では、胎児のUS画像解析におけるDLアルゴリズムの現状と、その研究方法論を実際の臨床実践に翻訳するために現場で働く研究者が取り組まなければならない課題について論じる。

関連論文リスト

• An Evaluation of Non-Contrastive Self-Supervised Learning for Federated Medical Image Analysis [2.458658951393896]
  医用画像解析のためのフェデレートラーニング(FL)シミュレーションにおいて,非コントラスト型自己教師学習(SSL)アルゴリズムの適用性を体系的に検討した。 我々は,非I.d.データ条件下で選択した4つの非競合アルゴリズムのパフォーマンスを,異なる数のクライアントでベンチマークした。 6つの標準化された医用画像データセット上で,これらの手法の全体的評価を行う。
  論文  参考訳（メタデータ） (2023-03-09T19:31:14Z)
• ITTC @ TREC 2021 Clinical Trials Track [54.141379782822206]
  本課題は、患者の入院ノートの要約を構成するトピックに有効な臨床試験を適合させる問題に焦点を当てる。 NLP手法を用いて試行とトピックの表現方法を探索し、共通の検索モデルを用いて各トピックに関連するトライアルのランク付けリストを生成する。 提案されたすべての実行の結果は、すべてのトピックの中央値よりもはるかに上回っていますが、改善の余地はたくさんあります。
  論文  参考訳（メタデータ） (2022-02-16T04:56:47Z)
• Deep Learning for Computational Cytology: A Survey [12.08083533402352]
  完全教師付き,弱教師付き,教師なし,伝達学習など,さまざまなディープラーニング手法を導入する。 そこで我々は,公開データセット,評価指標,分類,検出,セグメンテーション,その他の関連タスクを含む多種多様な細胞画像解析アプリケーションを体系的に要約した。
  論文  参考訳（メタデータ） (2022-02-10T16:22:10Z)
• Diagnosis of COVID-19 Using Machine Learning and Deep Learning: A review [0.0]
  本稿では、新型コロナウイルス(COVID-19)対策における機械学習(ML)と深層学習(DL)技術の適用について、体系的に検討する。 AI、COVID-19、ML、予測、DL、X線、CT(Computed Tomography)のキーワードに基づいて、440記事の全文レビューを行った。
  論文  参考訳（メタデータ） (2021-10-28T06:17:50Z)
• 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)
• Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.34726150561087]
  PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。 また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
  論文  参考訳（メタデータ） (2021-03-04T20:58:22Z)
• Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
  病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。 このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
  論文  参考訳（メタデータ） (2021-02-07T19:12:32Z)
• Trends in deep learning for medical hyperspectral image analysis [2.2404871878551353]
  本稿では,現在ディープラーニングを用いて医療用ハイパースペクトル画像の効果的な分析を行う出版物について検討する。 本研究は, 医用ハイパースペクトル画像解析のための分類, 分別, 検出における深層学習の活用を概観するものである。
  論文  参考訳（メタデータ） (2020-11-27T19:42:06Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。