論文の概要: Label-Efficient Deep Learning in Medical Image Analysis: Challenges and Future Directions

• arxiv url: http://arxiv.org/abs/2303.12484v5
• Date: Thu, 08 May 2025 13:51:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.449271
• Title: Label-Efficient Deep Learning in Medical Image Analysis: Challenges and Future Directions
• Title（参考訳）: 医用画像解析におけるラベル有効深層学習の課題と今後の方向性
• Authors: Cheng Jin, Zhengrui Guo, Yi Lin, Luyang Luo, Hao Chen,
• Abstract要約: 限られた監督下でモデル性能を向上させるためにラベル効率の高いディープラーニング手法が出現している。 これらの手法はラベルなし、ラベル不足、不正確なラベル、ラベル改善の4つのパラダイムに分類される。 我々は,研究の約束から日常的な臨床医療へのラベル効率学習の翻訳を容易にするために,現在の課題と今後の方向性を特定した。
• 参考スコア（独自算出の注目度）: 9.789815598574737
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning has significantly advanced medical imaging analysis (MIA), achieving state-of-the-art performance across diverse clinical tasks. However, its success largely depends on large-scale, high-quality labeled datasets, which are costly and time-consuming to obtain due to the need for expert annotation. To mitigate this limitation, label-efficient deep learning methods have emerged to improve model performance under limited supervision by leveraging labeled, unlabeled, and weakly labeled data. In this survey, we systematically review over 350 peer-reviewed studies and present a comprehensive taxonomy of label-efficient learning methods in MIA. These methods are categorized into four labeling paradigms: no label, insufficient label, inexact label, and label refinement. For each category, we analyze representative techniques across imaging modalities and clinical applications, highlighting shared methodological principles and task-specific adaptations. We also examine the growing role of health foundation models (HFMs) in enabling label-efficient learning through large-scale pre-training and transfer learning, enhancing the use of limited annotations in downstream tasks. Finally, we identify current challenges and future directions to facilitate the translation of label-efficient learning from research promise to everyday clinical care.
• Abstract（参考訳）: 深層学習は、医療画像解析(MIA)を著しく進歩させ、様々な臨床課題において最先端のパフォーマンスを達成する。 しかし、その成功は大半が大規模で高品質なラベル付きデータセットに依存している。 この制限を緩和するため、ラベル付き、ラベルなし、弱ラベル付きデータを活用することにより、限定的な監督の下でモデル性能を向上させるラベル効率の高いディープラーニング手法が登場した。 本研究では350以上のピアレビュー研究を体系的にレビューし,MIAにおけるラベル効率学習手法の包括的分類を提示する。 これらの手法はラベルなし、ラベル不足、不正確なラベル、ラベル改善の4つのパラダイムに分類される。 各カテゴリにおいて、画像モダリティと臨床応用をまたいだ代表的テクニックを分析し、共有方法論原則とタスク固有の適応を強調した。 また,大規模事前学習と移動学習によるラベル効率学習の実現におけるHFM(Health foundation model)の役割の増大や,下流タスクにおける限定アノテーションの利用の促進についても検討した。 最後に,研究公約から日常臨床医療へのラベル効率学習の翻訳を容易にするための課題と今後の方向性を明らかにする。

関連論文リスト

• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• A Survey on Data Selection for Language Models [148.300726396877]
  データ選択方法は、トレーニングデータセットに含まれるデータポイントを決定することを目的としている。 ディープラーニングは、主に実証的な証拠によって駆動され、大規模なデータに対する実験は高価である。 広範なデータ選択研究のリソースを持つ組織はほとんどない。
  論文  参考訳（メタデータ） (2024-02-26T18:54:35Z)
• Few-Shot Learning on Graphs: from Meta-learning to Pre-training and Prompting [56.25730255038747]
  この調査は、最近の展開を合成し、比較洞察を提供し、将来の方向性を特定するための取り組みである。 我々は,既存の研究をメタラーニングアプローチ,事前学習アプローチ,ハイブリッドアプローチの3つの主要なファミリーに体系的に分類した。 これらの手法間の関係を解析し,その強みと限界を比較する。
  論文  参考訳（メタデータ） (2024-02-02T14:32:42Z)
• Deep Learning for Multi-Label Learning: A Comprehensive Survey [6.571492336879553]
  マルチラベル学習は、単一の入力データポイントから複数のラベルを予測することを目的とした、急速に成長する研究分野である。 MLCでは、高次元データを扱うこと、ラベルの相関に対処すること、部分的なラベルを扱うことが含まれる。 近年,MDCにおけるこれらの課題をより効果的に解決するために,ディープラーニング(DL)技術の採用が顕著に増加していることが報告されている。
  論文  参考訳（メタデータ） (2024-01-29T20:37:03Z)
• Semi-supervised Object Detection: A Survey on Recent Research and Progress [2.2398477810999817]
  半教師対象検出(SSOD)は、高い研究価値と実践性のために、ますます注目されている。 本稿では,5つの側面からSSODのアプローチに関する包括的かつ最新の調査を紹介する。
  論文  参考訳（メタデータ） (2023-06-25T02:54:03Z)
• Active learning for data streams: a survey [0.48951183832371004]
  オンラインアクティブな学習は機械学習のパラダイムであり、データストリームからラベルに最も情報のあるデータポイントを選択することを目的としている。 それぞれの観測に注釈をつけるのは時間と費用がかかり、大量のラベル付きデータを得るのが難しくなる。 本研究の目的は、データストリームから最も情報性の高い観測をリアルタイムで選択するための、最近提案されたアプローチの概要を提供することである。
  論文  参考訳（メタデータ） (2023-02-17T14:24:13Z)
• Label-efficient Time Series Representation Learning: A Review [19.218833228063392]
  ラベル効率のよい時系列表現学習は、現実世界のアプリケーションにディープラーニングモデルをデプロイするのに不可欠である。 ラベル付き時系列データの不足に対処するため、転送学習、自己教師付き学習、半教師付き学習など様々な戦略が開発されている。 既存のアプローチを,外部データソースへの依存に基づいて,ドメイン内あるいはクロスドメインとして分類する,新たな分類法を初めて導入する。
  論文  参考訳（メタデータ） (2023-02-13T15:12:15Z)
• Recent Few-Shot Object Detection Algorithms: A Survey with Performance Comparison [54.357707168883024]
  Few-Shot Object Detection (FSOD)は、人間の学習能力を模倣する。 FSODは、学習した汎用オブジェクトの知識を共通のヘビーテールから新しいロングテールオブジェクトクラスにインテリジェントに転送する。 本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。
  論文  参考訳（メタデータ） (2022-03-27T04:11:28Z)
• Deep Long-Tailed Learning: A Survey [163.16874896812885]
  ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。 長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。 本稿では,近年の長期学習の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2021-10-09T15:25:22Z)
• The Emerging Trends of Multi-Label Learning [45.63795570392158]
  エクサバイトのデータは人間によって毎日生成されるため、ビッグデータによってもたらされるマルチラベル学習に対する大きな課題に対処する新たな取り組みの必要性が高まっている。 ビッグデータ時代における新興トレンドとマルチラベル学習の新たな課題を明示的に分析することに焦点を当てた体系的研究の欠如がある。 このミッションを遂行し、今後の研究の方向性と新たな応用を説明するための総合的な調査を求めることが不可欠である。
  論文  参考訳（メタデータ） (2020-11-23T03:36:00Z)

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。