論文の概要: Reinforcement Learning in Medical Image Analysis: Concepts,
Applications, Challenges, and Future Directions
- arxiv url: http://arxiv.org/abs/2206.14302v1
- Date: Tue, 28 Jun 2022 22:07:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-30 19:37:14.684508
- Title: Reinforcement Learning in Medical Image Analysis: Concepts,
Applications, Challenges, and Future Directions
- Title（参考訳）: 医用画像分析における強化学習:概念,応用,課題,今後の方向性
- Authors: Mingzhe Hu, Jiahan Zhang, Luke Matkovic, Tian Liu and Xiaofeng Yang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.9065960619519515
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motivation: Medical image analysis involves tasks to assist physicians in
qualitative and quantitative analysis of lesions or anatomical structures,
significantly improving the accuracy and reliability of diagnosis and
prognosis. Traditionally, these tasks are finished by physicians or medical
physicists and lead to two major problems: (i) low efficiency; (ii) biased by
personal experience. In the past decade, many machine learning methods have
been applied to accelerate and automate the image analysis process. Compared to
the enormous deployments of supervised and unsupervised learning models,
attempts to use reinforcement learning in medical image analysis are scarce.
This review article could serve as the stepping-stone for related research.
Significance: From our observation, though reinforcement learning has gradually
gained momentum in recent years, many researchers in the medical analysis field
find it hard to understand and deploy in clinics. One cause is lacking
well-organized review articles targeting readers lacking professional computer
science backgrounds. Rather than providing a comprehensive list of all
reinforcement learning models in medical image analysis, this paper may help
the readers to learn how to formulate and solve their medical image analysis
research as reinforcement learning problems. Approach & Results: We selected
published articles from Google Scholar and PubMed. Considering the scarcity of
related articles, we also included some outstanding newest preprints. The
papers are carefully reviewed and categorized according to the type of image
analysis task. We first review the basic concepts and popular models of
reinforcement learning. Then we explore the applications of reinforcement
learning models in landmark detection. Finally, we conclude the article by
discussing the reviewed reinforcement learning approaches' limitations and
possible improvements.
- Abstract（参考訳）: モチベーション: 医学画像解析は、医師が病変や解剖学的構造を質的かつ定量的に分析し、診断と予後の正確性と信頼性を著しく改善するためのタスクである。
伝統的に、これらのタスクは医師または医師によって完了し、2つの主要な問題に繋がる。
(i)低効率
(ii)個人的な経験による偏り。
過去10年間,画像解析プロセスの高速化と自動化に多くの機械学習手法が適用されてきた。
教師付き学習モデルや教師なし学習モデルの膨大な展開に比べ、医療画像分析で強化学習を使用する試みは少ない。
このレビュー記事は、関連する研究の足掛かりとなるかもしれない。
意義:近年,強化学習の勢いは徐々に高まっているが,医療分析分野の研究者の多くは,診療所内では理解や展開が難しいと感じている。
1つの原因は、専門的なコンピュータサイエンスのバックグラウンドを欠いた読者を対象とした、よく組織されたレビュー記事の欠如である。
医用画像解析における強化学習モデルの包括的リストを提供するのではなく、本論文は、強化学習問題として医用画像解析研究の定式化と解法を学ぶのに役立つかもしれない。
Approach & Results: Google ScholarとPubMedから公開された記事を選びました。
関連記事の不足も考慮し,最新のプレプリントもいくつか紹介した。
本論文は,画像解析タスクの種類に応じて慎重にレビューし,分類する。
まず,強化学習の基本概念とポピュラーモデルについて概説する。
次に,ランドマーク検出における強化学習モデルの応用について検討する。
最後に、レビューされた強化学習アプローチの制限と改善の可能性について論じる。
関連論文リスト
- 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) - XrayGPT: Chest Radiographs Summarization using Medical Vision-Language
Models [60.437091462613544]
我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。
胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。
自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
論文 参考訳（メタデータ） (2023-06-13T17:59:59Z) - Adversarial Attack and Defense for Medical Image Analysis: Methods and
Applications [57.206139366029646]
医用画像解析における対人攻撃と防御の進歩に関する総合的な調査を報告する。
医療画像解析のための異なる種類の敵攻撃のための統一的理論的枠組みと防衛方法を提供する。
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) - A Review of Causality for Learning Algorithms in Medical Image Analysis [12.249809900292798]
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。
論文 参考訳（メタデータ） (2022-06-11T11:04:13Z) - 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) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳（メタデータ） (2021-06-25T08:32:45Z) - 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) - 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) - Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。
2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
論文 参考訳（メタデータ） (2020-04-05T13:46:16Z)
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。