論文の概要: Application of belief functions to medical image segmentation: A review
- arxiv url: http://arxiv.org/abs/2205.01733v1
- Date: Tue, 3 May 2022 19:06:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-05 14:25:36.777814
- Title: Application of belief functions to medical image segmentation: A review
- Title（参考訳）: 信仰機能の医療イメージセグメンテーションへの応用:展望
- Authors: Ling Huang, Su Ruan
- Abstract要約: 信念関数理論は不確実性解析と複数のエビデンス融合のための公式な枠組みである。
信念機能理論による医用画像分割は, 臨床診断と医用画像研究において有意な効果を示した。
将来の研究は、より有望で信頼性の高いセグメンテーション結果を達成するために、信念関数理論と深層学習の両方を研究できるかもしれない。
- 参考スコア（独自算出の注目度）: 20.71275671848334
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Belief function theory, a formal framework for uncertainty analysis and
multiple evidence fusion, has made significant contributions in the medical
domain, especially since the development of deep learning. Medical image
segmentation with belief function theory has shown significant benefits in
clinical diagnosis and medical image research. In this paper, we provide a
review of medical image segmentation methods using belief function theory. We
classify the methods according to the fusion step and explain how information
with uncertainty or imprecision is modeled and fused with belief function
theory. In addition, we discuss the challenges and limitations of present
belief function-based medical image segmentation and propose orientations for
future research. Future research could investigate both belief function theory
and deep learning to achieve more promising and reliable segmentation results.
- Abstract（参考訳）: 不確実性解析と多重証拠融合のための形式的枠組みである信念関数理論は、特に深層学習の発展以来、医学領域において大きな貢献をしている。
信念機能理論を用いた医用画像分割は臨床診断や医用画像研究において有益である。
本稿では,信念関数理論を用いた医用画像分割法について概説する。
我々は,融合段階に従って手法を分類し,不確実性や不正確な情報がどのようにモデル化され,信念関数理論と融合するかを説明する。
さらに,現在の信念機能に基づく医療画像セグメント化の課題と限界について考察し,今後の研究に向けた方向性を提案する。
将来の研究は、より有望で信頼性の高いセグメンテーション結果を達成するために、信念関数理論とディープラーニングの両方を調べることができる。
関連論文リスト
- Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - MICA: Towards Explainable Skin Lesion Diagnosis via Multi-Level
Image-Concept Alignment [4.861768967055006]
本稿では, 医療画像と臨床関連概念を多層的に意味的に整合させるマルチモーダル説明型疾患診断フレームワークを提案する。
提案手法は, モデル解釈可能性を維持しながら, 概念検出と疾患診断に高い性能とラベル効率を実現する。
論文 参考訳（メタデータ） (2024-01-16T17:45:01Z) - Robust and Interpretable Medical Image Classifiers via Concept
Bottleneck Models [49.95603725998561]
本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。
具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
論文 参考訳（メタデータ） (2023-10-04T21:57:09Z) - Deep evidential fusion with uncertainty quantification and contextual discounting for multimodal medical image segmentation [12.027233181141394]
本稿では,深層学習とDempster-Shafer理論に基づくマルチモーダル医用画像セグメンテーションの枠組みを提案する。
脳腫瘍を伴うPET-CTデータセットとマルチMRIデータセットによる実験結果から,本手法は精度と信頼性において最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-09-12T02:23:30Z) - Medical Image Segmentation with Belief Function Theory and Deep Learning [10.70969021941027]
本研究では,信仰機能理論と深層学習を用いた医用画像分割手法について検討する。
本稿では,不確実な証拠に基づく情報モデリングと融合に焦点を当てる。
論文 参考訳（メタデータ） (2023-09-12T02:04:36Z) - A Category-theoretical Meta-analysis of Definitions of Disentanglement [97.34033555407403]
データの変化の要因を識別することは、機械学習の基本的な概念である。
本稿では,既存の乱れの定義をメタ分析する。
論文 参考訳（メタデータ） (2023-05-11T15:24:20Z) - 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) - Interpretable Vertebral Fracture Diagnosis [69.68641439851777]
ブラックボックスニューラルネットワークモデルは、骨折診断のための臨床的に関連する特徴を学習する。
この研究は、CT画像における脊椎骨折の診断にネットワークが使用する概念を特定する。
論文 参考訳（メタデータ） (2022-03-30T13:07:41Z) - Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。
医療対話生成のためのエンドツーエンドの変分推論手法を提案する。
行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
論文 参考訳（メタデータ） (2021-05-13T04:14:35Z) - A review: Deep learning for medical image segmentation using
multi-modality fusion [4.4259821861544]
マルチモダリティは、ターゲットについてのマルチ情報を提供することができるため、医用画像に広く用いられている。
ディープラーニングベースのアプローチでは、画像分類、セグメンテーション、オブジェクト検出、トラッキングタスクにおける最先端のパフォーマンスが提示されている。
本稿では,マルチモーダルな医用画像分割作業における深層学習に基づくアプローチの概要について述べる。
論文 参考訳（メタデータ） (2020-04-22T16:00:53Z)
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。