論文の概要: Survey on deep learning in multimodal medical imaging for cancer detection

• arxiv url: http://arxiv.org/abs/2312.01573v1
• Date: Mon, 4 Dec 2023 02:07:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 16:49:01.695786
• Title: Survey on deep learning in multimodal medical imaging for cancer detection
• Title（参考訳）: がん検出のためのマルチモーダル医療画像の深層学習に関する調査
• Authors: Yan Tian, Zhaocheng Xu, Yujun Ma, Weiping Ding, Ruili Wang, Zhihong Gao, Guohua Cheng, Linyang He, Xuran Zhao
• Abstract要約: マルチモーダルがん検出は、がん診断の鍵となる研究手法の1つである。 深層学習に基づく物体検出は, 意味的特徴抽出と非線形機能適合の強さから, 顕著な発展を遂げている。 病変の形態的相違、患者間変異、アノテーションの難しさ、画像アーティファクトが原因で、マルチモーダルがんの検出は依然として困難である。
• 参考スコア（独自算出の注目度）: 15.304299929182486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of multimodal cancer detection is to determine the locations and categories of lesions by using different imaging techniques, which is one of the key research methods for cancer diagnosis. Recently, deep learning-based object detection has made significant developments due to its strength in semantic feature extraction and nonlinear function fitting. However, multimodal cancer detection remains challenging due to morphological differences in lesions, interpatient variability, difficulty in annotation, and imaging artifacts. In this survey, we mainly investigate over 150 papers in recent years with respect to multimodal cancer detection using deep learning, with a focus on datasets and solutions to various challenges such as data annotation, variance between classes, small-scale lesions, and occlusion. We also provide an overview of the advantages and drawbacks of each approach. Finally, we discuss the current scope of work and provide directions for the future development of multimodal cancer detection.
• Abstract（参考訳）: マルチモーダルがん検出のタスクは、がん診断の重要な研究方法の1つである異なるイメージング技術を用いて、病変の位置と分類を決定することである。 近年, 深層学習に基づく物体検出は, 意味的特徴抽出と非線形機能適合の強さから, 顕著な発展を遂げている。 しかし, 病変の形態的差異, 患者間変異, アノテーションの難しさ, 画像所見などにより, マルチモーダル癌検出はいまだに困難である。 本研究では,近年,深層学習を用いたマルチモーダル癌検出に関する150以上の論文を主に調査し,データアノテーションやクラス間の差異,小規模病変,閉塞など,さまざまな課題に対するデータセットと解決策に焦点を当てた。 また、それぞれのアプローチの利点と欠点の概要も提供します。 最後に,現在の作業範囲について考察し,マルチモーダル癌検出の今後の発展に向けた方向性を示す。

関連論文リスト

• Advancing Histopathology-Based Breast Cancer Diagnosis: Insights into Multi-Modality and Explainability [2.8145472964232137]
  マルチモーダル技術を用いて、画像データと非画像データを統合することで、乳癌の診断における変革的な進歩を示す。 本稿では,マルチモーダルデータを用いて診断精度,臨床信頼度,患者のエンゲージメントを高めるための説明性を強調する。
  論文  参考訳（メタデータ） (2024-06-07T19:23:22Z)
• Pancreatic Tumor Segmentation as Anomaly Detection in CT Images Using Denoising Diffusion Models [4.931603088067152]
  本研究は, 膵腫瘍検出に対する新しいアプローチとして, デノナイズ拡散法を用いて, 弱い監督異常検出を応用した手法を提案する。 本手法は, 複雑なトレーニングプロトコルやセグメンテーションマスクを必要とせずに, 画像のシームレスな翻訳を可能にする。 本研究は, 膵癌の生存率の低さを認識し, 医療セグメント化作業における拡散モデルの効率を活用するための継続的な研究の必要性を強調した。
  論文  参考訳（メタデータ） (2024-06-04T16:38:11Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Gravity Network for end-to-end small lesion detection [50.38534263407915]
  本稿では,医療画像の小さな病変を特異的に検出するワンステージエンド・ツー・エンド検出器を提案する。 小さな病変の正確な局在化は、その外観と、それらが見つかる様々な背景によって困難を呈する。 この新たなアーキテクチャをGravityNetと呼び、新しいアンカーを重力点と呼ぶ。
  論文  参考訳（メタデータ） (2023-09-22T14:02:22Z)
• Computer-Aided Cancer Diagnosis via Machine Learning and Deep Learning: A comparative review [0.0]
  腫瘍や組織を早期に検出する上で,大幅な改善が見られた。 画像における大きな相違点に関連するがん研究の課題について論じる。 肺・乳癌・皮膚がんの分野では,いくつかの顕著な結果が得られている。
  論文  参考訳（メタデータ） (2022-10-19T19:30:56Z)
• Metastatic Cancer Outcome Prediction with Injective Multiple Instance Pooling [1.0965065178451103]
  我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。 結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。 本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
  論文  参考訳（メタデータ） (2022-03-09T16:58:03Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• A Review of Generative Adversarial Networks in Cancer Imaging: New Applications, New Solutions [12.1951719081621]
  コンピュータビジョンにおけるGAN(Generative Adrial Networks)の最近の進歩は、がんの検出と解析における機能強化の基礎となるかもしれない。 データ不足や不均衡など,がん画像の多くの重要な課題に対処するために,GANの可能性を評価した。 本稿では,ガン画像に応用された既存のGANの文献を批判的に評価するとともに,これらの課題に対処するための今後の研究方向性について提案する。
  論文  参考訳（メタデータ） (2021-07-20T14:57:51Z)
• 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)
• Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement and Gated Fusion [71.87627318863612]
  画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。 我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。 我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-02-22T14:32:04Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。