論文の概要: A Review of Causality for Learning Algorithms in Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2206.05498v1
• Date: Sat, 11 Jun 2022 11:04:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-19 09:37:37.632389
• Title: A Review of Causality for Learning Algorithms in Medical Image Analysis
• Title（参考訳）: 医用画像解析における学習アルゴリズムの因果関係の検討
• Authors: Athanasios Vlontzos, Daniel Rueckert, Bernhard Kainz
• Abstract要約: 技術準備レベル(Technology Readiness Levels)の枠組みの中で,医療画像解析のための機械学習を解析する。 我々は、堅牢で適応可能な医用画像解析アルゴリズムを作成する際に、因果解析手法がギャップを埋める方法についてレビューする。
• 参考スコア（独自算出の注目度）: 12.249809900292798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image analysis is a vibrant research area that offers doctors and medical practitioners invaluable insight and the ability to accurately diagnose and monitor disease. Machine learning provides an additional boost for this area. However, machine learning for medical image analysis is particularly vulnerable to natural biases like domain shifts that affect algorithmic performance and robustness. In this paper we analyze machine learning for medical image analysis within the framework of Technology Readiness Levels and review how causal analysis methods can fill a gap when creating robust and adaptable medical image analysis algorithms. We review methods using causality in medical imaging AI/ML and find that causal analysis has the potential to mitigate critical problems for clinical translation but that uptake and clinical downstream research has been limited so far.
• Abstract（参考訳）: 医療画像解析は、医師や医療従事者に貴重な洞察を与え、疾患を正確に診断し監視する能力を提供する、活発な研究領域である。 機械学習は、この分野をさらに加速させる。 しかし、医療画像分析のための機械学習は、特にアルゴリズムのパフォーマンスと堅牢性に影響を与えるドメインシフトのような自然なバイアスに弱い。 本稿では,医療画像分析のための機械学習をTechnology Readiness Levelsの枠組み内で分析し,堅牢で適応可能な医療画像解析アルゴリズムを作成する際に,因果解析手法がギャップを埋める方法について検討する。 我々は,医療画像AI/MLにおける因果関係を利用した手法をレビューし,因果解析が臨床翻訳における重要な問題を緩和する可能性があることを確認する。

関連論文リスト

• Deep Learning Applications in Medical Image Analysis: Advancements, Challenges, and Future Directions [0.0]
  人工知能のサブセットであるディープラーニングの最近の進歩は、医療画像の分析に大きな革命をもたらした。 CNNは多次元医用画像から自律的に学習する能力に顕著な能力を示した。 これらのモデルは、病理学、放射線学、眼科、心臓学など、様々な医学分野に利用されてきた。
  論文  参考訳（メタデータ） (2024-10-18T02:57:14Z)
• Deep Learning Approaches for Seizure Video Analysis: A Review [40.1521024778093]
  コンピュータ支援による発作の映像分析が自然の道として現れている。 ディープラーニングとコンピュータビジョンのアプローチは、大幅な進歩をもたらした。 これらの主な応用は、(1)発作検出法の改善、(2)発作のタイプと脳の局在を予測するための洗練されたセミロジー分析である。
  論文  参考訳（メタデータ） (2023-12-18T04:45:41Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• 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)
• Self-supervised learning methods and applications in medical imaging analysis: A survey [0.0]
  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。
  論文  参考訳（メタデータ） (2021-09-17T17:01:42Z)
• Explainable artificial intelligence (XAI) in deep learning-based medical image analysis [3.255042271092803]
  深層学習に基づく医用画像解析手法を分類するために,XAI基準の枠組みを導入する。 医用画像解析におけるXAI技術に関する論文は、その枠組みや解剖学的位置に応じて調査され分類される。 医療画像解析におけるXAIの今後の可能性について考察した。
  論文  参考訳（メタデータ） (2021-07-22T20:16:34Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• 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)
• 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。