論文の概要: Data efficient deep learning for medical image analysis: A survey
- arxiv url: http://arxiv.org/abs/2310.06557v1
- Date: Tue, 10 Oct 2023 12:13:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-11 15:37:34.848166
- Title: Data efficient deep learning for medical image analysis: A survey
- Title（参考訳）: 医用画像解析のためのデータ効率のよいディープラーニング
- Authors: Suruchi Kumari and Pravendra Singh
- Abstract要約: 深層学習の急速な進化は、医用画像解析の分野を大きく進歩させた。
医用画像解析のためのディープラーニングモデルのさらなる強化は、大規模で注釈の付いたデータセットが不足しているため、大きな課題に直面している。
本稿では,医用画像解析のためのデータ効率の高い深層学習手法について,徹底的に検討する。
- 参考スコア（独自算出の注目度）: 9.385936248154987
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The rapid evolution of deep learning has significantly advanced the field of
medical image analysis. However, despite these achievements, the further
enhancement of deep learning models for medical image analysis faces a
significant challenge due to the scarcity of large, well-annotated datasets. To
address this issue, recent years have witnessed a growing emphasis on the
development of data-efficient deep learning methods. This paper conducts a
thorough review of data-efficient deep learning methods for medical image
analysis. To this end, we categorize these methods based on the level of
supervision they rely on, encompassing categories such as no supervision,
inexact supervision, incomplete supervision, inaccurate supervision, and only
limited supervision. We further divide these categories into finer
subcategories. For example, we categorize inexact supervision into multiple
instance learning and learning with weak annotations. Similarly, we categorize
incomplete supervision into semi-supervised learning, active learning, and
domain-adaptive learning and so on. Furthermore, we systematically summarize
commonly used datasets for data efficient deep learning in medical image
analysis and investigate future research directions to conclude this survey.
- Abstract（参考訳）: 深層学習の急速な進化は、医用画像解析の分野を大きく進歩させた。
しかし、これらの成果にもかかわらず、医用画像分析のためのディープラーニングモデルのさらなる拡張は、大きな注釈付きデータセットの不足のために大きな課題に直面している。
この問題に対処するため、近年はデータ効率のよいディープラーニング手法の開発に重点を置いている。
本稿では,医療画像解析のためのデータ効率の高い深層学習法について概説する。
この目的のために、これらの手法を、頼りになる監督のレベルに基づいて分類し、監督なし、不備監督、不完全な監督、不正確な監督、限られた監督のみを包含する。
これらのカテゴリをさらに細かなサブカテゴリに分割する。
例えば、不正確な監視を、弱いアノテーションで複数のインスタンス学習と学習に分類する。
同様に、不完全な監視を半教師付き学習、アクティブ学習、ドメイン適応学習等に分類する。
さらに,医療画像解析におけるデータ効率のよい深層学習のための一般的なデータセットを体系的に要約し,今後の研究の方向性について検討した。
関連論文リスト
- Granularity Matters in Long-Tail Learning [62.30734737735273]
より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。
既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。
補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
論文 参考訳（メタデータ） (2024-10-21T13:06:21Z) - 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) - A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳（メタデータ） (2023-09-05T19:45:09Z) - 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) - 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) - Towards Label-efficient Automatic Diagnosis and Analysis: A
Comprehensive Survey of Advanced Deep Learning-based Weakly-supervised,
Semi-supervised and Self-supervised Techniques in Histopathological Image
Analysis [17.22614309681354]
病理像は, 疾患診断における金の基準である, 表現型情報や病理パターンが豊富である。
畳み込みニューラルネットワークで表現されるディープラーニングは、デジタル病理学の分野で徐々に主流になりつつある。
本稿では,コンピュータ病理学分野における弱教師付き学習,半教師付き学習,自己教師型学習に関する最新の研究を包括的かつ体系的に概説する。
論文 参考訳（メタデータ） (2022-08-18T11:49:41Z) - Learning Representations with Contrastive Self-Supervised Learning for
Histopathology Applications [8.69535649683089]
コントラスト型自己教師型学習は,デジタル病理学におけるアノテーションの労力を減らしうることを示す。
本研究は,病理組織学応用のための自己教師あり学習の可能性を実現するための道を開くものである。
論文 参考訳（メタデータ） (2021-12-10T16:08:57Z) - 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) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z) - 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。