論文の概要: Deep learning for unsupervised domain adaptation in medical imaging: Recent advancements and future perspectives

• arxiv url: http://arxiv.org/abs/2308.01265v1
• Date: Tue, 18 Jul 2023 08:24:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-06 10:53:47.831271
• Title: Deep learning for unsupervised domain adaptation in medical imaging: Recent advancements and future perspectives
• Title（参考訳）: 医用画像における教師なし領域適応のための深層学習 : 最近の進歩と今後の展望
• Authors: Suruchi Kumari, Pravendra Singh
• Abstract要約: 専門的な観点から,最近の医用画像の深部UDAアプローチに関する総合的な文献レビューを行う。 医用画像における現在のUDA研究は、6つのグループに分類し、それらが実行するさまざまなタスクに基づいて、さらに細かなサブカテゴリに分類する。
• 参考スコア（独自算出の注目度）: 13.160616423673375
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning has demonstrated remarkable performance across various tasks in medical imaging. However, these approaches primarily focus on supervised learning, assuming that the training and testing data are drawn from the same distribution. Unfortunately, this assumption may not always hold true in practice. To address these issues, unsupervised domain adaptation (UDA) techniques have been developed to transfer knowledge from a labeled domain to a related but unlabeled domain. In recent years, significant advancements have been made in UDA, resulting in a wide range of methodologies, including feature alignment, image translation, self-supervision, and disentangled representation methods, among others. In this paper, we provide a comprehensive literature review of recent deep UDA approaches in medical imaging from a technical perspective. Specifically, we categorize current UDA research in medical imaging into six groups and further divide them into finer subcategories based on the different tasks they perform. We also discuss the respective datasets used in the studies to assess the divergence between the different domains. Finally, we discuss emerging areas and provide insights and discussions on future research directions to conclude this survey.
• Abstract（参考訳）: 深層学習は医療画像の様々なタスクにおいて顕著な性能を示した。 しかし、これらのアプローチは、トレーニングとテストデータが同じ分布から引き出されると仮定して、主に教師付き学習に焦点を当てている。 残念ながら、この仮定は実際には必ずしも当てはまるとは限らない。 これらの問題に対処するために、ラベル付きドメインから関連するがラベル付けされていないドメインに知識を伝達するために、教師なしドメイン適応(UDA)技術が開発されている。 近年,UDA において顕著な進歩が見られ,特徴アライメント,画像翻訳,自己超越,非絡み合い表現など,幅広い手法が提案されている。 本稿では,医用画像における最近の深いUDAアプローチについて,技術的な観点から概説する。 具体的には、医用画像における現在のUDA研究を6つのグループに分類し、それらが実行するさまざまなタスクに基づいてさらに細かなサブカテゴリに分類する。 また、各領域間の差異を評価するために、研究で使用されるデータセットについても論じる。 最後に,新興分野について議論し,今後の研究方向性に関する洞察と議論を行い,この調査をまとめる。

関連論文リスト

• A Survey on Domain Generalization for Medical Image Analysis [9.410880477358942]
  MedIAのドメイン一般化は、未知のデータ分散を効果的に一般化し、堅牢に実行することで、ドメインシフトの課題に対処することを目的としている。 医療分野におけるドメインシフトとドメイン一般化の正式な定義を提供し、関連するいくつかの設定について議論する。 データ操作レベル,特徴表現レベル,モデルトレーニングレベルという3つの視点から,最近の手法を要約し,いくつかのアルゴリズムを詳細に提示する。
  論文  参考訳（メタデータ） (2024-02-07T17:08:27Z)
• Unified Domain Adaptive Semantic Segmentation [96.74199626935294]
  Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。 本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。 提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2023-11-22T09:18:49Z)
• Medical Image Segmentation with Domain Adaptation: A Survey [0.38979646385036165]
  本稿では,DLに基づく医用画像セグメンテーションのためのドメイン適応アプローチについて述べる。 まず、まず、ドメイン適応の基礎となるモチベーションと背景知識を示し、医用画像のセグメンテーションにおけるドメイン適応の適用についてレビューする。 我々の目標は、医用画像分割研究における領域適応の適用について、研究者に最新のリファレンスを提供することであった。
  論文  参考訳（メタデータ） (2023-11-03T04:17:06Z)
• Domain Generalization for Medical Image Analysis: A Survey [13.34575578242635]
  本稿では,MedIAに適した領域一般化研究を包括的にレビューする。 ドメイン一般化手法を,データレベル,特徴レベル,モデルレベル,分析レベルに分類する。 データ取得からモデル予測,解析に至るまで,これらの手法がMedIAワークフローの様々な段階においてどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2023-10-05T09:31:58Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。 プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。 そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• DARE: Towards Robust Text Explanations in Biomedical and Healthcare Applications [54.93807822347193]
  帰属ロバスト性評価手法を与えられたドメインに適応させ、ドメイン固有の妥当性を考慮する方法を示す。 次に,DAREが特徴とする脆さを軽減するために,対人訓練とFAR訓練の2つの方法を提案する。 最後に,確立した3つのバイオメディカル・ベンチマークを用いて実験を行い,本手法を実証的に検証した。
  論文  参考訳（メタデータ） (2023-07-05T08:11:40Z)
• Unsupervised Pathology Detection: A Deep Dive Into the State of the Art [6.667150890634173]
  複数の医療データセット上で,最先端の非教師付き異常検出法 (UAD) の選択について検討した。 本実験は, 産業・医療文献から新たに開発された特徴モデリング手法により, 性能が向上することが実証された。 これらの手法は,最近開発された自己教師付き事前学習アルゴリズムの恩恵を受けることができることを示す。
  論文  参考訳（メタデータ） (2023-03-01T16:03:25Z)
• Domain Adaptation for Medical Image Analysis: A Survey [28.365579324731247]
  医用画像解析で使用される機械学習技術は通常、ソース/参照データとターゲットデータの間の異なる分布に起因するドメインシフト問題に悩まされる。 有望なソリューションとして、ドメイン適応は近年大きな注目を集めています。 この調査により、研究者は現在の状況や課題をよりよく理解できるようになる。
  論文  参考訳（メタデータ） (2021-02-18T17:49:08Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Multi-source Domain Adaptation in the Deep Learning Era: A Systematic Survey [53.656086832255944]
  マルチソースドメイン適応(MDA)は、ラベル付きデータを複数のソースから収集できる強力な拡張である。 MDAは学術と産業の両方で注目を集めている。
  論文  参考訳（メタデータ） (2020-02-26T08:07:58Z)

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。