論文の概要: A comprehensive survey on deep active learning in medical image analysis

• arxiv url: http://arxiv.org/abs/2310.14230v3
• Date: Wed, 13 Mar 2024 09:23:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-14 18:28:04.666951
• Title: A comprehensive survey on deep active learning in medical image analysis
• Title（参考訳）: 医用画像解析における深層能動学習に関する総合的研究
• Authors: Haoran Wang, Qiuye Jin, Shiman Li, Siyu Liu, Manning Wang, Zhijian Song
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.849628978883707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has achieved widespread success in medical image analysis, leading to an increasing demand for large-scale expert-annotated medical image datasets. Yet, the high cost of annotating medical images severely hampers the development of deep learning in this field. To reduce annotation costs, active learning aims to select the most informative samples for annotation and train high-performance models with as few labeled samples as possible. In this survey, we review the core methods of active learning, including the evaluation of informativeness and sampling strategy. For the first time, we provide a detailed summary of the integration of active learning with other label-efficient techniques, such as semi-supervised, self-supervised learning, and so on. We also summarize active learning works that are specifically tailored to medical image analysis. Additionally, we conduct a thorough comparative analysis of the performance of different AL methods in medical image analysis with experiments. In the end, we offer our perspectives on the future trends and challenges of active learning and its applications in medical image analysis.
• Abstract（参考訳）: 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。 本稿では,情報性評価やサンプリング戦略など,アクティブラーニングの中核的手法について概観する。 本稿では,能動学習と,半教師付き学習,自己教師型学習など,他のラベル効率の高い技術との連携について,はじめて概説する。 また,医用画像解析に特化した能動的学習作品を要約した。 さらに,実験による医用画像解析において,異なるAL法の性能の徹底的な比較分析を行う。 最後に,アクティブラーニングの今後の動向と課題について,医用画像解析への応用について考察する。

関連論文リスト

• MLIP: Enhancing Medical Visual Representation with Divergence Encoder and Knowledge-guided Contrastive Learning [48.97640824497327]
  本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。 我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。 特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-02-03T05:48:50Z)
• Data efficient deep learning for medical image analysis: A survey [9.385936248154987]
  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。
  論文  参考訳（メタデータ） (2023-10-10T12:13:38Z)
• 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)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• 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)
• 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)
• Semantic segmentation of multispectral photoacoustic images using deep learning [53.65837038435433]
  光音響イメージングは医療に革命をもたらす可能性がある。 この技術の臨床的翻訳には、高次元取得したデータを臨床的に関連性があり解釈可能な情報に変換する必要がある。 本稿では,多スペクトル光音響画像のセマンティックセグメンテーションに対する深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-20T09:33:55Z)
• Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.34726150561087]
  PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。 また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
  論文  参考訳（メタデータ） (2021-03-04T20:58:22Z)
• Trends in deep learning for medical hyperspectral image analysis [2.2404871878551353]
  本稿では,現在ディープラーニングを用いて医療用ハイパースペクトル画像の効果的な分析を行う出版物について検討する。 本研究は, 医用ハイパースペクトル画像解析のための分類, 分別, 検出における深層学習の活用を概観するものである。
  論文  参考訳（メタデータ） (2020-11-27T19:42:06Z)
• 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。