論文の概要: A Systematic Review of Few-Shot Learning in Medical Imaging
- arxiv url: http://arxiv.org/abs/2309.11433v1
- Date: Wed, 20 Sep 2023 16:10:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 12:25:28.339838
- Title: A Systematic Review of Few-Shot Learning in Medical Imaging
- Title（参考訳）: 医用画像におけるマイトショット学習の体系的考察
- Authors: Eva Pachetti, Sara Colantonio
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.2400966570867322
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The lack of annotated medical images limits the performance of deep learning
models, which usually need large-scale labelled datasets. Few-shot learning
techniques can reduce data scarcity issues and enhance medical image analysis,
especially with meta-learning. This systematic review gives a comprehensive
overview of few-shot learning in medical imaging. We searched the literature
systematically and selected 80 relevant articles published from 2018 to 2023.
We clustered the articles based on medical outcomes, such as tumour
segmentation, disease classification, and image registration; anatomical
structure investigated (i.e. heart, lung, etc.); and the meta-learning method
used. For each cluster, we examined the papers' distributions and the results
provided by the state-of-the-art. In addition, we identified a generic pipeline
shared among all the studies. The review shows that few-shot learning can
overcome data scarcity in most outcomes and that meta-learning is a popular
choice to perform few-shot learning because it can adapt to new tasks with few
labelled samples. In addition, following meta-learning, supervised learning and
semi-supervised learning stand out as the predominant techniques employed to
tackle few-shot learning challenges in medical imaging and also best
performing. Lastly, we observed that the primary application areas
predominantly encompass cardiac, pulmonary, and abdominal domains. This
systematic review aims to inspire further research to improve medical image
analysis and patient care.
- Abstract（参考訳）: 注釈付き医療画像がないため、大規模なラベル付きデータセットを必要とするディープラーニングモデルのパフォーマンスが制限される。
データ不足の問題を減らし、特にメタラーニングで医療画像分析を強化することができる。
この体系的なレビューは、医療画像学におけるマイナショット学習の包括的概要を提供する。
文献を体系的に検索し,2018年から2023年までの80の関連論文を選定した。
対象は,腫瘍の分類,疾患分類,画像登録,解剖学的構造(心臓,肺など),メタラーニング法などである。
各クラスタについて,論文の分布と現状から得られた結果について検討した。
さらに,すべての研究で共有される一般的なパイプラインを同定した。
レビューでは、ほとんどの結果でデータ不足を克服できる数少ない学習と、ラベル付きのサンプルが少ない新しいタスクに適応できるため、少数の学習を行うためのメタ学習が一般的な選択であることを示している。
加えて、メタラーニング、教師付き学習、半教師付き学習は、医用イメージングにおけるわずかな学習課題や最高のパフォーマンスに取り組むために使われる主要な技術として際立っている。
最後に, 主に心臓領域, 肺領域, 腹部領域を対象としていた。
この体系的なレビューは、医療画像分析と患者医療を改善するためにさらなる研究を促すことを目的としている。
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) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Few Shot Learning for Medical Imaging: A Comparative Analysis of
Methodologies and Formal Mathematical Framework [0.0]
医療分野におけるディープラーニングの活用方法において、問題に依存したトレーニングデータの不足が大きな問題となっている。
ホットラーニングアルゴリズムはほとんどなく、小さなデータセットから特徴を抽出することで、データ制限問題を解決する。
医療分野では、いくつかの機密疾患に関して利用可能なデータセットがしばしば不足している。
論文 参考訳（メタデータ） (2023-05-08T01:05:22Z) - Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳（メタデータ） (2023-03-15T14:00:11Z) - Few-Shot Classification of Skin Lesions from Dermoscopic Images by
Meta-Learning Representative Embeddings [1.957558771641347]
稀な疾患と新規疾患の診断のための注釈付き画像と根拠真理は乏しい。
少ないショットラーニングとメタラーニングは、低いデータレシエーションでうまく機能することを目指して、これらの問題を克服することを目的としている。
本稿では,皮膚内視鏡画像の分類におけるメタラーニングの改善に焦点をあてる。
論文 参考訳（メタデータ） (2022-10-30T21:27:15Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳（メタデータ） (2022-09-21T12:30:05Z) - 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) - Anomaly Detection in Medical Imaging -- A Mini Review [0.8122270502556374]
本稿では,医療画像における関連異常検出論文の半発掘文献レビューを用いて,アプリケーションをクラスタリングする。
主な結果は、ラベル付きデータの必要性を減らすことで、現在の研究が主に動機付けされていることを示している。
また、脳MRI領域における多くの研究が成功し、OCTや胸部X線といったさらなる領域への応用の可能性を示している。
論文 参考訳（メタデータ） (2021-08-25T11:45:40Z) - 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) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳（メタデータ） (2020-04-10T13:12:47Z)
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。